Tham gia TensorFlow tại Google I / O, ngày 11-12 tháng 5 Đăng ký ngay

Đề xuất 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 trong Notebook
TensorFlow Recommenders (TFRS) là một thư viện để xây dựng các mô hình hệ thống tư vấn.

Nó giúp thực hiện đầy đủ quy trình xây dựng hệ thống khuyến nghị: chuẩn bị dữ liệu, xây dựng mô hình, đào tạo, đánh giá và triển khai.

Nó được xây dựng dựa trên Keras và nhằm mục đích có một đường cong học tập nhẹ nhàng trong khi vẫn cung cấp cho bạn sự linh hoạt để xây dựng các mô hình phức tạp.

TFRS giúp bạn có thể:
  • Xây dựng và đánh giá các mô hình truy xuất khuyến nghị linh hoạt.
  • Mục tự do kết hợp, sử dụng, và thông tin bối cảnh vào các mô hình khuyến nghị.
  • Đào tạo mô hình đa nhiệm vụ đó cùng tối ưu hóa nhiều mục tiêu giới thiệu.
TFR là mã nguồn mở và có sẵn trên Github .

Để tìm hiểu thêm, vui lòng xem hướng dẫn về làm thế nào để xây dựng một hệ thống phim recommender , hoặc kiểm tra các tài liệu API cho các tài liệu tham khảo API.