Raccomandazioni 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 in un notebook
TensorFlow Recommenders (TFRS) è una libreria per la creazione di modelli di sistemi di raccomandazione.

Aiuta con l'intero flusso di lavoro della creazione di un sistema di raccomandazione: preparazione dei dati, formulazione del modello, formazione, valutazione e distribuzione.

È basato su Keras e mira ad avere una curva di apprendimento delicata, pur offrendoti la flessibilità necessaria per creare modelli complessi.

TFRS consente di:
  • Crea e valuta modelli flessibili di recupero delle raccomandazioni.
  • Liberamente voce incorporare, l'utente e le informazioni di contesto in modelli di raccomandazione.
  • Allena modelli multi-task che consentono di ottimizzare congiuntamente molteplici obiettivi raccomandazione.
TFRs è open source ed è disponibile su Github .

Per ulteriori informazioni, consultare il tutorial su come costruire un sistema di raccomandazione di film , o controllare le documentazione API per il riferimento API.