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_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]}")
הפעלה ב- Notebook
TensorFlow Recommenders (TFRS) היא ספרייה לבניית דגמי מערכת ממליצים.

זה עוזר בתהליך העבודה המלא של בניית מערכת ממליצים: הכנת נתונים, ניסוח מודלים, הכשרה, 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 לגמישה בהמלצות.
  • פריט משלב את בחופשיות, משתמשים, ואת מידע בהקשר לתוך מודלי המלצה.
  • רכבת מודלים רבה-משימה כי במשותף לייעל מטרות המלצה מרובות.
TFRs הוא מקור פתוח וזמין על Github .

כדי ללמוד עוד, ראה הדרכה על איך לבנות מערכות המלצה לסרט , או לבדוק את מסמכי API עבור הפנית API.