Google I/O is a wrap! Catch up on TensorFlow sessions View sessions

Rekomendasi 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]}")
Run di Notebook
TensorFlow Recommenders (TFRS) adalah library untuk membuat model sistem pemberi rekomendasi.

Ini membantu alur kerja penuh dalam membangun sistem pemberi rekomendasi: persiapan data, perumusan model, pelatihan, evaluasi, dan penerapan.

Itu dibangun di atas Keras dan bertujuan untuk memiliki kurva belajar yang lembut sambil tetap memberi Anda fleksibilitas untuk membangun model yang kompleks.

TFRS memungkinkan untuk:
  • Membangun dan mengevaluasi model pengambilan rekomendasi yang fleksibel.
  • Item bebas menggabungkan, pengguna, dan informasi konteks dalam model rekomendasi.
  • Melatih model multi-task yang bersama-sama mengoptimalkan beberapa tujuan rekomendasi.
TFRS adalah open source dan tersedia di Github .

Untuk mempelajari lebih lanjut, lihat tutorial tentang bagaimana membangun sistem recommender film , atau periksa dokumentasi API untuk referensi API.