TensorFlow-Empfehler

import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs

# Load data on movie ratings.
ratings = tfds.load("movielens/100k-ratings", split="train")
movies = tfds.load("movielens/100k-movies", split="train")

# Build flexible representation models.
user_model = tf.keras.Sequential([...])
movie_model = tf.keras.Sequential([...])

# Define your objectives.
task = tfrs.tasks.Retrieval(metrics=tfrs.metrics.FactorizedTopK(
    movies.batch(128).map(movie_model)
  )
)

# Create a retrieval model.
model = MovielensModel(user_model, movie_model, task)
model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5))

# Train.
model.fit(ratings.batch(4096), epochs=3)

# Set up retrieval using trained representations.
index = tfrs.layers.ann.BruteForce(model.user_model)
index.index_from_dataset(
    movies.batch(100).map(lambda title: (title, model.movie_model(title)))
)

# Get recommendations.
_, titles = index(np.array(["42"]))
print(f"Recommendations for user 42: {titles[0, :3]}")
Run in einem Notebook
TensorFlow Recommenders (TFRS) ist eine Bibliothek zum Erstellen von Empfehlungssystemmodellen.

Es unterstützt den gesamten Workflow beim Aufbau eines Empfehlungssystems: Datenvorbereitung, Modellformulierung, Training, Evaluierung und Bereitstellung.

Es basiert auf Keras und zielt auf eine sanfte Lernkurve ab, während es Ihnen dennoch die Flexibilität gibt, komplexe Modelle zu erstellen.

TFRS ermöglicht:
  • Erstellen und bewerten Sie flexible Modelle zum Abrufen von Empfehlungen.
  • Frei incorporate Artikel, Benutzer- und Kontextinformationen in Empfehlung Modelle.
  • Trainieren Sie Multi-Task - Modelle , die gemeinsam mehrere Empfehlung Ziele zu optimieren.
TFRS ist Open Source und verfügbar auf Github .

Um mehr zu erfahren, finden Sie in der Anleitung, wie man einen Film Recommender - System zu bauen , oder überprüfen Sie die API - Dokumentation für die API - Referenz.