Tarihi kaydet! Google I / O 18-20 Mayıs'ta geri dönüyor Şimdi kaydolun
Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

TensorFlow Önericileri

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]}")
Notebook'lar Run
TensorFlow Tavsiyeleri (TFRS), tavsiye eden sistem modelleri oluşturmak için bir kitaplıktır.

Bir tavsiye sistemi oluşturmanın tam iş akışına yardımcı olur: veri hazırlama, model formülasyonu, eğitim, değerlendirme ve dağıtım.

Keras üzerine inşa edilmiştir ve size karmaşık modeller oluşturma esnekliği sunarken yumuşak bir öğrenme eğrisine sahip olmayı amaçlamaktadır.

TFRS şunları mümkün kılar:
  • Esnek öneri alma modelleri oluşturun ve değerlendirin.
  • Öğe, kullanıcı ve bağlam bilgilerini öneri modellerine serbestçe dahil edin.
  • Birden çok öneri hedefini birlikte optimize eden çok görevli modelleri eğitin.
TFRS açık kaynaklıdır ve Github'da mevcuttur.

Daha fazla bilgi edinmek için, bir film önerici sisteminin nasıl oluşturulacağıyla ilgili eğiticiye bakın veya API referansı için API belgelerine bakın.