TensorFlow 推薦功能
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]}")在筆記本中執行
TensorFlow Recommenders (TFRS) 是用於建立推薦功能系統模型的程式庫。
在建構推薦功能系統的整個工作流程中 (包括準備資料、形成模型、訓練、評估和部署),這個程式庫都能派上用場。
這個程式庫是以 Keras 為基礎打造而成,旨在讓使用者能夠循序漸進輕鬆上手,同時彈性靈活地建構複雜模型。
TFRS 有下列用途: TFRS 為開放原始碼,可在 GitHub 上取得。
詳情請參閱電影推薦功能系統建構教學課程,或是查看 API 文件中提供的 API 參考資料。
在建構推薦功能系統的整個工作流程中 (包括準備資料、形成模型、訓練、評估和部署),這個程式庫都能派上用場。
這個程式庫是以 Keras 為基礎打造而成,旨在讓使用者能夠循序漸進輕鬆上手,同時彈性靈活地建構複雜模型。
TFRS 有下列用途: TFRS 為開放原始碼,可在 GitHub 上取得。
詳情請參閱電影推薦功能系統建構教學課程,或是查看 API 文件中提供的 API 參考資料。