سیستم های توصیه

از سفارش غذا گرفته تا ویدیوی درخواستی و پخش صدا تا مد، سیستم‌های توصیه برخی از محبوب‌ترین برنامه‌های امروزی را تامین می‌کنند. کاوش کنید که چگونه می‌توانید با کتابخانه‌های منبع باز و ابزارهای اکوسیستم TensorFlow، سیستم‌های توصیه آماده برای تولید بسازید.

سیستم های توصیه، تعامل کاربر را در برنامه شما افزایش می دهند و با ارائه مطلوب ترین محتوا، تجربه کاربر را بالا می برند. توصیه‌کننده‌های مدرن سیستم‌های پیچیده‌ای هستند که اغلب به چند مرحله تقسیم می‌شوند تا به تأخیر کم در تولید برسند. از طریق مراحل بازیابی، رتبه‌بندی و بالقوه پس از رتبه‌بندی، آیتم‌های نامربوط به تدریج از مجموعه بزرگی از کاندیداها حذف می‌شوند و در نهایت فهرستی از گزینه‌هایی که کاربران به احتمال زیاد با آنها تعامل دارند ارائه می‌شود.

شروع به ساختن با TensorFlow Recommenders کنید، چارچوبی با کاربری آسان که گردش کار کامل ساخت یک سیستم توصیه‌گر را از آماده‌سازی داده تا استقرار تسهیل می‌کند.

هنگامی که آموزش مدل های خود را به پایان رساندید، آنها را در تولید به کار ببرید تا توصیه هایی را به کاربران نهایی ارائه دهید. سرویس TensorFlow مدل های شما را برای استنتاج با کارایی بالا تولید می کند. هدف آن به حداکثر رساندن توان عملیاتی مدل‌های یادگیری ماشین است و می‌تواند از مدل‌های توصیه بزرگی که نیاز به سرویس توزیع شده دارند پشتیبانی کند.

# Deploy the retrieval model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
  -v "RETRIEVAL/MODEL/PATH:/models/retrieval" \
  -e MODEL_NAME=retrieval tensorflow/serving &

# Retrieve top movies that user 42 may like
curl -X POST -H "Content-Type: application/json" \
  -d '{"instances":["42"]}'  \
  http://localhost:8501/v1/models/retrieval:predict

# Output
# {
#    "predictions":[
#       {
#          "output_1": [2.032, 1.969, 1.813],
#          "output_2": ["movie1”, “movie2”, “movie3”]
#       }
#    ]
# }

# Deploy the ranking model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
  -v "RANKING/MODEL/PATH:/models/ranking" \
  -e MODEL_NAME=ranking tensorflow/serving &

# Get the prediction score for user 42 and movie 3
curl -X POST -H "Content-Type: application/json" \
  -d '{"instances":[{"user_id":"42", "movie_title":"movie3"}]}' \
  http://localhost:8501/v1/models/ranking:predict

# Output:
# {"predictions": [[3.66357923]]}
کد_بلاک ها
نحوه ساخت و استقرار یک سیستم توصیه کامل پشته با TensorFlow را بیاموزید

مراحل بازیابی و رتبه بندی موتورهای توصیه را بهبود بخشید

سیستم های توصیه در مقیاس بزرگ مستلزم آن است که مرتبط ترین موارد از میلیون ها نامزد از طریق مراحل بازیابی و رتبه بندی به شیوه ای موثر و کارآمد تعیین شود. توصیه‌کننده‌های TensorFlow را با پیشرفته‌ترین الگوریتم‌های جستجوی نزدیک‌ترین همسایه (ANN) و تکنیک‌های یادگیری به رتبه (LTR) برای بهبود توصیه‌ها تکمیل کنید.

Google ScaNN

ScaNN یک کتابخانه برای جستجوی شباهت برداری در مقیاس است. از تکنیک‌های پیشرفته ANN مانند هش نامتقارن و کوانتیزه‌سازی ناهمسانگرد برای تسریع در بازیابی نامزدهای برتر استفاده می‌کند.

رتبه بندی TensorFlow

TensorFlow Ranking کتابخانه ای برای توسعه مدل های مقیاس پذیر و عصبی LTR است. این ویژگی های اضافی را برای رتبه بندی موارد نامزد برای به حداکثر رساندن ابزارهای رتبه بندی ارائه می دهد.

بهینه سازی جاسازی های بزرگ برای آموزش مدل و استنتاج

عملیات جستجوی تعبیه یک جزء حیاتی برای سیستم های توصیه در مقیاس بزرگ است. از شتاب سخت افزاری و فناوری جاسازی پویا برای غلبه بر گلوگاه های عملکرد رایج در جداول جاسازی بزرگ استفاده کنید.

TensorFlow TPUEmbedding

API لایه TPUEmbedding آموزش و ارائه جداول جاسازی بزرگ را در واحدهای پردازش تانسور (TPU) تسهیل می کند.

افزونه‌های توصیه‌کننده TensorFlow

TensorFlow Recommenders Addons یک پروژه با مشارکت جامعه است که از فناوری جاسازی پویا استفاده می کند که به ویژه برای یادگیری آنلاین مفید است.

حفظ حریم خصوصی کاربر

موتورهای توصیه سنتی بر جمع‌آوری گزارش‌های تعامل کاربر و مدل‌های توصیه آموزشی بر اساس فعالیت‌های خام کاربر متکی هستند. با استفاده از روش‌های توسعه هوش مصنوعی مسئول، از خصوصی بودن داده‌های کاربر اطمینان حاصل کنید.

توصیه TensorFlow Lite روی دستگاه

TensorFlow Lite یک راه حل توصیه روی دستگاه ارائه می دهد که به توصیه هایی با تأخیر کم و با کیفیت بالا دست می یابد، در حالی که تمام داده های کاربر را در دستگاه های تلفن همراه نگه می دارد.

بازسازی فدرال با TensorFlow Federated

TensorFlow Federated چارچوبی برای یادگیری فدرال و سایر محاسبات روی داده های غیرمتمرکز است. بازسازی فدرال فاکتورسازی ماتریس را به تنظیمات یادگیری فدرال می آورد و از حریم خصوصی کاربر برای توصیه ها بهتر محافظت می کند.

از تکنیک های پیشرفته برای توصیه کنندگان پیچیده تر استفاده کنید

در حالی که مدل‌های فیلتر مشارکتی کلاسیک به طور گسترده در صنعت استفاده می‌شوند، روند رو به رشدی برای اتخاذ تکنیک‌های پیشرفته، مانند یادگیری تقویتی و شبکه‌های عصبی نمودار (GNN) برای ایجاد سیستم‌های توصیه وجود دارد.

عوامل تنسورفلو راهزنان

TensorFlow Agents Bandits یک کتابخانه جامع از الگوریتم‌های راهزن است که می‌تواند به طور موثر در تنظیمات موتور توصیه‌ای کاوش و بهره‌برداری کند.

TensorFlow GNN

TensorFlow GNN کتابخانه ای است که می تواند به طور موثر توصیه های آیتم ها را بر اساس ساختارهای شبکه تسهیل کند و در ارتباط با مدل های بازیابی و رتبه بندی استفاده شود.

هوش مصنوعی مولد

بیاموزید که چگونه از مدل های زبان بزرگ (LLM) مانند PaLM API برای تقویت سیستم های توصیه خود استفاده کنید.

مرجع مدل‌های پیشنهادی پیشرفته

برای محک زدن عملکرد یک مدل شناخته شده یا ساختن مدل‌های پیشنهادی خود، پیاده‌سازی رسمی TensorFlow مدل‌های محبوب - مانند NCF، DLRM، و DCN v2 - را برای بهترین شیوه‌ها بررسی کنید.

منابع آموزشی

با دنبال کردن دوره‌ها و ویدیوهای گام به گام درباره سیستم‌های توصیه ساختمان بیشتر بدانید.

سیستم های توصیه دنیای واقعی

نمونه‌ها و مطالعات موردی سیستم‌های توصیه‌ای که برنامه‌های کاربردی را در هر صنعت تامین می‌کنند، کاوش کنید.

ویدئوی آنلاین

بیاموزید که چگونه YouTube سیستم توصیه قدرتمند خود را به شیوه ای مسئولانه ایجاد می کند.

تجارت الکترونیک

درباره نحوه آموزش و ارائه میلیون‌ها خبرنامه شخصی توسط Digitec Galaxus در هفته با TFX و TensorFlow Agents بخوانید.

خواربار فروشی

بیاموزید که چگونه HarperDB از TensorFlow Recommenders و TensorFlow.js برای ایجاد یک سیستم توصیه مبتنی بر فیلتر مشارکتی برای اقلام فروشگاه مواد غذایی استفاده می کند.

پخش صدا

بیاموزید که چگونه Spotify از اکوسیستم TensorFlow برای طراحی یک شبیه‌ساز آفلاین قابل توسعه و آموزش عوامل RL برای تولید توصیه‌های لیست پخش استفاده کرد.