hệ thống khuyến nghị

Từ đặt hàng thực phẩm đến video theo yêu cầu và truyền phát âm thanh đến thời trang, các hệ thống đề xuất cung cấp năng lượng cho một số ứng dụng phổ biến nhất hiện nay. Khám phá cách bạn có thể xây dựng các hệ thống đề xuất sẵn sàng sản xuất với các công cụ và thư viện mã nguồn mở từ hệ sinh thái TensorFlow.

Hệ thống đề xuất tăng mức độ tương tác của người dùng trong ứng dụng của bạn và nâng cao trải nghiệm người dùng bằng cách cung cấp nội dung hấp dẫn nhất. Các đề xuất hiện đại là các hệ thống phức tạp thường được chia thành nhiều giai đoạn để đạt được độ trễ thấp trong quá trình sản xuất. Thông qua các giai đoạn truy xuất, xếp hạng và có khả năng xếp hạng sau, các mục không liên quan dần dần được lọc ra khỏi một nhóm lớn các ứng cử viên và danh sách các tùy chọn mà người dùng có nhiều khả năng tương tác nhất cuối cùng sẽ được trình bày.

Bắt đầu xây dựng với TensorFlow Recommenders , một khung dễ sử dụng hỗ trợ toàn bộ quy trình xây dựng hệ thống đề xuất từ ​​chuẩn bị dữ liệu đến triển khai.

Khi bạn hoàn thành đào tạo các mô hình của mình, hãy triển khai chúng vào sản xuất để phục vụ các đề xuất cho người dùng cuối. Dịch vụ TensorFlow sản xuất các mô hình của bạn để suy luận hiệu suất cao. Nó nhằm mục đích tối đa hóa thông lượng của các mô hình máy học và có thể hỗ trợ các mô hình đề xuất lớn yêu cầu phân phát phân tán.

# 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]]}
code_blocks
Tìm hiểu cách xây dựng và triển khai hệ thống đề xuất ngăn xếp đầy đủ với TensorFlow

Cải thiện các giai đoạn truy xuất và xếp hạng của các công cụ đề xuất

Các hệ thống đề xuất quy mô lớn yêu cầu các mục phù hợp nhất được xác định từ hàng triệu ứng viên thông qua các giai đoạn truy xuất và xếp hạng một cách hiệu quả và hiệu quả. Bổ sung cho Người đề xuất TensorFlow bằng các thuật toán tìm kiếm Hàng xóm gần nhất (ANN) hiện đại nhất và các kỹ thuật học để xếp hạng (LTR) để cải thiện các đề xuất.

Google ScanNN

ScaNN là một thư viện để tìm kiếm độ tương tự của vectơ theo tỷ lệ. Nó tận dụng các kỹ thuật ANN tiên tiến nhất, chẳng hạn như hàm băm bất đối xứng và lượng tử hóa bất đẳng hướng, để tăng tốc độ truy xuất các ứng cử viên hàng đầu.

Xếp hạng TensorFlow

Xếp hạng TensorFlow là một thư viện để phát triển các mô hình LTR thần kinh, có thể mở rộng. Nó cung cấp các chức năng bổ sung để xếp hạng các mục ứng cử viên nhằm tối đa hóa các tiện ích xếp hạng.

Tối ưu hóa các nhúng lớn để đào tạo mô hình và suy luận

Thao tác tra cứu nhúng là một thành phần quan trọng đối với các hệ thống đề xuất quy mô lớn. Tận dụng khả năng tăng tốc phần cứng và công nghệ nhúng động để khắc phục các tắc nghẽn hiệu suất phổ biến trong các bảng nhúng lớn.

TensorFlow TPUEmbedding

API lớp TPUEmbedding tạo điều kiện đào tạo và phục vụ các bảng nhúng lớn trên Đơn vị xử lý Tensor (TPU).

TensorFlow đề xuất Addons

TensorFlow Recommenders Addons là một dự án do cộng đồng đóng góp, thúc đẩy công nghệ nhúng động đặc biệt hữu ích cho việc học trực tuyến.

Bảo vệ quyền riêng tư của người dùng

Các công cụ đề xuất truyền thống dựa vào việc thu thập nhật ký tương tác của người dùng và đào tạo các mô hình đề xuất dựa trên các hoạt động thô của người dùng. Đảm bảo rằng dữ liệu người dùng vẫn ở chế độ riêng tư bằng cách kết hợp các phương pháp phát triển AI có trách nhiệm .

TensorFlow Lite đề xuất trên thiết bị

TensorFlow Lite cung cấp giải pháp đề xuất trên thiết bị để đạt được các đề xuất có độ trễ thấp và chất lượng cao, đồng thời giữ tất cả dữ liệu người dùng trên thiết bị di động.

Tái thiết liên kết với TensorFlow Federated

TensorFlow Federated là một khuôn khổ cho việc học liên kết và các tính toán khác trên dữ liệu phi tập trung. Tái cấu trúc liên kết đưa hệ số ma trận vào cài đặt học liên kết và bảo vệ tốt hơn quyền riêng tư của người dùng đối với các đề xuất.

Sử dụng các kỹ thuật nâng cao cho các đề xuất phức tạp hơn

Mặc dù các mô hình lọc cộng tác cổ điển được sử dụng rộng rãi trong ngành, nhưng ngày càng có nhiều xu hướng áp dụng các kỹ thuật nâng cao, chẳng hạn như học tăng cường và Mạng nơ-ron đồ thị (GNN), để xây dựng các hệ thống đề xuất.

Kẻ cướp đại lý TensorFlow

TensorFlow Agents Bandits là một thư viện toàn diện gồm các thuật toán kẻ cướp có thể khám phá và khai thác hiệu quả trong cài đặt công cụ đề xuất.

TenorFlow GNN

TensorFlow GNN là một thư viện có thể hỗ trợ hiệu quả các đề xuất mục dựa trên cấu trúc mạng và được sử dụng cùng với các mô hình truy xuất và xếp hạng.

Trí tuệ nhân tạo

Tìm hiểu cách sử dụng các mô hình ngôn ngữ lớn (LLM) như API PaLM để tăng cường hệ thống đề xuất của bạn.

Tham khảo các mô hình đề xuất tiên tiến nhất

Để đánh giá hiệu suất cho một mô hình nổi tiếng hoặc xây dựng các mô hình đề xuất của riêng bạn, hãy xem triển khai TensorFlow chính thức của các mô hình phổ biến – chẳng hạn như NCF, DLRM và DCN v2 – để biết các phương pháp hay nhất.

Phương pháp giáo dục

Tìm hiểu thêm về cách xây dựng hệ thống đề xuất bằng cách làm theo các video và khóa học từng bước.

Hệ thống khuyến nghị trong thế giới thực

Khám phá các ví dụ và nghiên cứu điển hình về các hệ thống đề xuất cung cấp năng lượng cho các ứng dụng trong mọi ngành.

video trực tuyến

Tìm hiểu cách YouTube xây dựng hệ thống đề xuất mạnh mẽ của họ một cách có trách nhiệm.

thương mại điện tử

Đọc về cách Digitec Galaxus đào tạo và phục vụ hàng triệu bản tin được cá nhân hóa mỗi tuần với TFX và Đại lý TensorFlow.

Cửa hàng tạp hóa

Tìm hiểu cách HarperDB sử dụng TensorFlow Recommenders và TensorFlow.js để xây dựng hệ thống đề xuất dựa trên lọc cộng tác cho các mặt hàng trong cửa hàng tạp hóa.

Phát thanh

Triển khai quy trình truy xuất ứng viên với Vertex AI Matching Engine để xây dựng hệ thống đề xuất danh sách phát bằng bộ dữ liệu Spotify Million Playlist.