تاریخ را ذخیره کنید! Google I / O 18-20 مه بازمی گردد اکنون ثبت نام کنید
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

توصیه کنندگان TensorFlow

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(movies.batch(100).map(model.movie_model), movies)

# Get recommendations.
_, titles = index(np.array(["42"]))
print(f"Recommendations for user 42: {titles[0, :3]}")
اجرا در یک دفترچه یادداشت
پیشنهاد دهندگان TensorFlow (TFRS) کتابخانه ای برای ساخت مدل های سیستم پیشنهادی است.

این به گردش کار کامل ساختن یک سیستم توصیه کننده کمک می کند: تهیه داده ها ، فرمول بندی مدل ، آموزش ، ارزیابی و استقرار.

این مدل بر اساس کراس ساخته شده و هدف آن داشتن منحنی آرام یادگیری است و در عین حال قابلیت ساخت مدل های پیچیده را به شما می دهد.

TFRS این امکان را برای شما فراهم می کند:
  • مدل های بازیابی پیشنهادات انعطاف پذیر را بسازید و ارزیابی کنید.
  • اطلاعات مورد ، کاربر و زمینه را به طور آزاد در مدل های پیشنهادی بگنجانید.
  • مدل های چند کاره را آموزش دهید که به طور مشترک اهداف چند پیشنهاد را بهینه کنند.
TFRS منبع باز است و در Github موجود است.

برای کسب اطلاعات بیشتر ، به آموزش نحوه ساخت سیستم توصیه فیلم نگاه کنید ، یا اسناد API را برای مرجع API بررسی کنید.