לשמור את התאריך! קלט / פלט של Google חוזר 18-20 במאי הירשם עכשיו
דף זה תורגם על ידי Cloud Translation API.
Switch to English

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:
  • 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.
TFRS הוא קוד פתוח וזמין ב- Github .

למידע נוסף, עיין במדריך לבניית מערכת ממליצה על סרטים , או בדוק את מסמכי ה- API לקבלת הפניה ל- API.