ผู้แนะนำ 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]}")รันใน โน้ตบุ๊ก
TensorFlow Recommenders (TFRS) คือไลบรารีสำหรับการสร้างแบบจำลองระบบผู้แนะนำ
ช่วยให้มีขั้นตอนการทำงานเต็มรูปแบบในการสร้างระบบผู้แนะนำ: การเตรียมข้อมูลการกำหนดแบบจำลองการฝึกอบรมการประเมินผลและการปรับใช้
สร้างขึ้นจาก Keras และมีจุดมุ่งหมายเพื่อให้มีช่วงการเรียนรู้ที่นุ่มนวลในขณะที่ยังให้ความยืดหยุ่นในการสร้างแบบจำลองที่ซับซ้อน
TFRS ช่วยให้:
หากต้องการเรียนรู้เพิ่มเติมโปรดดู บทแนะนำเกี่ยวกับวิธีสร้างระบบผู้แนะนำภาพยนตร์ หรือตรวจสอบ เอกสาร API สำหรับการอ้างอิง API
ช่วยให้มีขั้นตอนการทำงานเต็มรูปแบบในการสร้างระบบผู้แนะนำ: การเตรียมข้อมูลการกำหนดแบบจำลองการฝึกอบรมการประเมินผลและการปรับใช้
สร้างขึ้นจาก Keras และมีจุดมุ่งหมายเพื่อให้มีช่วงการเรียนรู้ที่นุ่มนวลในขณะที่ยังให้ความยืดหยุ่นในการสร้างแบบจำลองที่ซับซ้อน
TFRS ช่วยให้:
- สร้างและประเมินรูปแบบการดึงคำแนะนำที่ยืดหยุ่น
- รวมข้อมูลรายการผู้ใช้และ บริบท ลงในโมเดลคำแนะนำได้อย่างอิสระ
- ฝึก โมเดลหลายงาน ที่ช่วยเพิ่มประสิทธิภาพของคำแนะนำหลายวัตถุประสงค์ร่วมกัน
หากต้องการเรียนรู้เพิ่มเติมโปรดดู บทแนะนำเกี่ยวกับวิธีสร้างระบบผู้แนะนำภาพยนตร์ หรือตรวจสอบ เอกสาร API สำหรับการอ้างอิง API