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_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]}")
اجرا در یک نوت بوک
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 یک 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.
  • مورد آزادانه ترکیب، کاربر، و اطلاعات زمینه را به مدل های توصیه.
  • آموزش مدل چند وظیفه که به طور مشترک بهینه سازی اهداف توصیه های متعدد.
TFRS منبع باز و در دسترس است در Github .

برای کسب اطلاعات بیشتر، نگاه کنید به آموزش در مورد نحوه ساخت یک سیستم فیلم توصیه ، و یا بررسی اسناد API برای مرجع API است.