Osoby polecające 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 w notatniku
TensorFlow Recommenders (TFRS) to biblioteka do budowania modeli systemów rekomendujących.

Pomaga w pełnym przepływie pracy budowania systemu rekomendującego: przygotowanie danych, formułowanie modelu, szkolenie, ocena i wdrażanie.

Jest zbudowany na Keras i ma na celu delikatną krzywą uczenia się, jednocześnie zapewniając elastyczność w budowaniu złożonych modeli.

TFRS umożliwia:
  • Twórz i oceniaj elastyczne modele wyszukiwania rekomendacji.
  • Włączenie swobodnie element, użytkownik, a informacje kontekstowe w modelach zalecenia.
  • Trenuj modele wielozadaniowych , które wspólnie optymalizacji wielu celów zalecenia.
TFRS jest open source i dostępne na Github .

Aby dowiedzieć się więcej, zobacz poradnik o tym, jak zbudować system rekomendujący film lub sprawdzić docs API dla odniesienia API.