ממליצים על 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]}")הפעל במחברת
TensorFlow Recommenders (TFRS) היא ספרייה לבניית דגמי מערכת ממליצים.
זה עוזר בתהליך העבודה המלא של בניית מערכת ממליצים: הכנת נתונים, ניסוח מודלים, הדרכה, הערכה ופריסה.
זה בנוי על Keras ומטרתו להיות עקומת למידה עדינה ובכל זאת נותן לך את הגמישות לבנות מודלים מורכבים.
TFRS מאפשר:
למידע נוסף, עיין במדריך לבניית מערכת ממליצה על סרטים , או בדוק את מסמכי ה- API לקבלת הפניה ל- API.
זה עוזר בתהליך העבודה המלא של בניית מערכת ממליצים: הכנת נתונים, ניסוח מודלים, הדרכה, הערכה ופריסה.
זה בנוי על Keras ומטרתו להיות עקומת למידה עדינה ובכל זאת נותן לך את הגמישות לבנות מודלים מורכבים.
TFRS מאפשר:
- לבנות ולהעריך מודלים לאחזור המלצות גמישים.
- שלבו באופן חופשי מידע על פריטים, משתמשים והקשרים במודלים של המלצות.
- הכשר מודלים מרובי-משימות המייעלים יחד יעדי המלצה מרובים.
למידע נוסף, עיין במדריך לבניית מערכת ממליצה על סרטים , או בדוק את מסמכי ה- API לקבלת הפניה ל- API.