Sistemi di raccomandazione
Dall'ordinazione di cibo ai video on demand e dallo streaming audio alla moda, i sistemi di raccomandazione alimentano alcune delle applicazioni più popolari oggi. Scopri come creare sistemi di raccomandazione pronti per la produzione con librerie e strumenti open source dall'ecosistema TensorFlow.
I sistemi di raccomandazione aumentano il coinvolgimento degli utenti all'interno della tua app e migliorano l'esperienza utente fornendo i contenuti più desiderabili. I moderni suggeritori sono sistemi complessi che sono spesso suddivisi in più fasi per ottenere una bassa latenza nella produzione. Attraverso le fasi di recupero, classificazione e potenzialmente post-classificazione, gli elementi irrilevanti vengono gradualmente filtrati da un ampio pool di candidati e viene infine presentato un elenco di opzioni con cui gli utenti hanno maggiori probabilità di interagire.
Inizia a creare con TensorFlow Recommenders , un framework di facile utilizzo che facilita l'intero flusso di lavoro della creazione di un sistema di raccomandazione dalla preparazione dei dati alla distribuzione.
Quando hai finito di addestrare i tuoi modelli, distribuiscili in produzione per offrire consigli agli utenti finali. TensorFlow Serving produce i tuoi modelli per l'inferenza ad alte prestazioni. Mira a massimizzare il throughput dei modelli di machine learning e può supportare modelli di consigli di grandi dimensioni che richiedono servizi distribuiti.
# 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]]}
Migliora le fasi di recupero e classificazione dei motori di raccomandazione
I sistemi di raccomandazione su larga scala richiedono che gli elementi più rilevanti vengano determinati da milioni di candidati attraverso le fasi di recupero e classificazione in modo efficace ed efficiente. Completa i suggerimenti TensorFlow con algoritmi di ricerca ANN (Approssimate Nearest Neighbor) all'avanguardia e tecniche LTR (Learning-to-rank) per migliorare i suggerimenti.
ScaNN è una libreria per la ricerca di similarità vettoriale su larga scala. Sfrutta tecniche ANN all'avanguardia, come l'hashing asimmetrico e la quantizzazione anisotropica, per accelerare il recupero dei migliori candidati.
TensorFlow Ranking è una libreria per lo sviluppo di modelli LTR scalabili e neurali. Fornisce funzionalità aggiuntive per classificare gli elementi candidati per massimizzare le utilità di classificazione.
Ottimizza incorporamenti di grandi dimensioni per l'addestramento e l'inferenza del modello
L'operazione di ricerca incorporata è un componente fondamentale per i sistemi di raccomandazione su larga scala. Sfrutta l'accelerazione hardware e la tecnologia di incorporamento dinamico per superare i colli di bottiglia delle prestazioni comuni nelle tabelle di incorporamento di grandi dimensioni.
L'API del livello TPUEmbedding facilita l'addestramento e la fornitura di tabelle di incorporamento di grandi dimensioni su Tensor Processing Unit (TPU).
TensorFlow Recommenders Addons è un progetto fornito dalla comunità che sfrutta la tecnologia di incorporamento dinamico particolarmente utile per l'apprendimento online.
Preservare la privacy degli utenti
I motori di raccomandazione tradizionali si basano sulla raccolta di registri di interazione dell'utente e modelli di raccomandazione sulla formazione basati su attività utente non elaborate. Assicurati che i dati degli utenti rimangano privati incorporando pratiche di sviluppo dell'AI responsabile .
TensorFlow Lite fornisce una soluzione di raccomandazione su dispositivo che raggiunge bassa latenza e raccomandazioni di alta qualità, mantenendo tutti i dati utente sui dispositivi mobili.
TensorFlow Federated è un framework per l'apprendimento federato e altri calcoli su dati decentralizzati. Federated Reconstruction porta la fattorizzazione della matrice nell'ambiente di apprendimento federato e protegge meglio la privacy degli utenti per i suggerimenti.
Usa tecniche avanzate per consiglieri più sofisticati
Sebbene i classici modelli di filtraggio collaborativo siano ampiamente utilizzati nel settore, vi è una tendenza crescente ad adottare tecniche avanzate, come l'apprendimento per rinforzo e le reti neurali a grafo (GNN), per creare sistemi di raccomandazione.
TensorFlow Agents Bandits è una libreria completa di algoritmi bandit che possono esplorare e sfruttare in modo efficace nell'impostazione del motore di raccomandazione.
TensorFlow GNN è una libreria che può facilitare in modo efficiente i consigli sugli elementi basati su strutture di rete e può essere utilizzata insieme a modelli di recupero e classificazione.
Scopri come utilizzare modelli di linguaggio di grandi dimensioni (LLM) come l'API PaLM per potenziare i tuoi sistemi di raccomandazione.
Fai riferimento a modelli di raccomandazioni all'avanguardia
Per confrontare le prestazioni di un modello noto o creare i tuoi modelli di raccomandazione, dai un'occhiata alle implementazioni TensorFlow ufficiali dei modelli più diffusi, come NCF, DLRM e DCN v2, per le best practice.
Risorse educative
Scopri di più sulla creazione di sistemi di raccomandazione seguendo corsi e video passo dopo passo.
Sistemi di raccomandazione del mondo reale
Esplora esempi e case study di sistemi di raccomandazione che alimentano le applicazioni in ogni settore.
Scopri come YouTube costruisce il suo potente sistema di consigli in modo responsabile.
Leggi come Digitec Galaxus forma e fornisce milioni di newsletter personalizzate a settimana con TFX e gli agenti TensorFlow.
Scopri come HarperDB utilizza TensorFlow Recommenders e TensorFlow.js per creare un sistema di raccomandazione basato su filtraggio collaborativo per gli articoli dei negozi di alimentari.
Implementa un flusso di lavoro per il recupero dei candidati con Vertex AI Matching Engine per creare un sistema di raccomandazione di playlist utilizzando il set di dati Spotify Million Playlist.