Системы рекомендаций
От заказа еды до видео по запросу и потокового аудио до моды — системы рекомендаций поддерживают некоторые из самых популярных сегодня приложений. Узнайте, как создавать готовые к работе системы рекомендаций с помощью библиотек и инструментов с открытым исходным кодом из экосистемы TensorFlow.
Системы рекомендаций увеличивают вовлеченность пользователей в ваше приложение и улучшают пользовательский опыт, предоставляя наиболее желательный контент. Современные рекомендатели — это сложные системы, которые часто разбиваются на несколько этапов для достижения низкой задержки в производственной среде. На этапах поиска, ранжирования и, возможно, после ранжирования нерелевантные элементы постепенно отфильтровываются из большого пула кандидатов, и, наконец, предоставляется список вариантов, с которыми пользователи, скорее всего, будут взаимодействовать.
Начните строить с помощью TensorFlow Recommenders — простой в использовании платформы, которая упрощает весь рабочий процесс создания рекомендательной системы от подготовки данных до развертывания.
Когда вы закончите обучение своих моделей, разверните их в рабочей среде, чтобы предоставлять рекомендации конечным пользователям. TensorFlow Serving производит ваши модели для высокопроизводительного логического вывода. Он направлен на максимальное увеличение пропускной способности моделей машинного обучения и может поддерживать большие модели рекомендаций, требующие распределенного обслуживания.
# 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]]}
Улучшить этапы поиска и ранжирования рекомендательных систем.
Крупномасштабные рекомендательные системы требуют, чтобы наиболее релевантные элементы были определены из миллионов кандидатов на этапах поиска и ранжирования эффективным и действенным образом. Дополните рекомендатели TensorFlow передовыми алгоритмами поиска с приближенным ближайшим соседом (ANN) и методами обучения с ранжированием (LTR) для улучшения рекомендаций.
ScaNN — это библиотека для поиска подобия векторов в масштабе. Он использует самые современные методы ИНС, такие как асимметричное хеширование и анизотропное квантование, для ускорения поиска лучших кандидатов.
TensorFlow Ranking — это библиотека для разработки масштабируемых нейронных моделей LTR. Он предоставляет дополнительные функции для ранжирования элементов-кандидатов, чтобы максимизировать полезность ранжирования.
Оптимизация больших вложений для обучения моделей и логических выводов
Операция поиска встраивания является важным компонентом крупномасштабных рекомендательных систем. Используйте аппаратное ускорение и технологию динамического внедрения, чтобы преодолеть узкие места производительности, характерные для больших таблиц внедрения.
API уровня TPUEmbedding облегчает обучение и обслуживание больших таблиц встраивания на тензорных процессорах (TPU).
TensorFlow Recommenders Addons — это проект сообщества, в котором используется технология динамического встраивания, особенно полезная для онлайн-обучения.
Сохраняйте конфиденциальность пользователей
Традиционные механизмы рекомендаций основаны на сборе журналов взаимодействия с пользователем и обучении моделей рекомендаций на основе необработанных действий пользователей. Убедитесь, что пользовательские данные остаются конфиденциальными, внедрив методы ответственной разработки ИИ .
TensorFlow Lite предоставляет решение для рекомендаций на устройстве, которое позволяет получать рекомендации высокого качества с малой задержкой, сохраняя при этом все пользовательские данные на мобильных устройствах.
TensorFlow Federated — это платформа для федеративного обучения и других вычислений с децентрализованными данными. Федеративная реконструкция привносит матричную факторизацию в федеративную настройку обучения и лучше защищает конфиденциальность пользователей для рекомендаций.
Используйте передовые методы для более сложных рекомендаций
В то время как классические модели совместной фильтрации широко используются в отрасли, существует растущая тенденция к внедрению передовых методов, таких как обучение с подкреплением и графовые нейронные сети (GNN), для создания систем рекомендаций.
TensorFlow Agents Bandits — это обширная библиотека бандитских алгоритмов, которые можно эффективно исследовать и использовать в настройках механизма рекомендаций.
TensorFlow GNN — это библиотека, которая может эффективно предоставлять рекомендации по элементам на основе сетевых структур и использоваться в сочетании с моделями поиска и ранжирования.
Узнайте, как использовать большие языковые модели (LLM), такие как PaLM API, для расширения ваших систем рекомендаций.

Ознакомьтесь с современными рекомендательными моделями
Чтобы оценить производительность известной модели или создать свои собственные рекомендательные модели, ознакомьтесь с официальными реализациями популярных моделей TensorFlow, такими как NCF, DLRM и DCN v2.
Образовательные ресурсы
Узнайте больше о создании систем рекомендаций, следуя пошаговым курсам и видео.

Реальные рекомендательные системы
Изучите примеры и тематические исследования рекомендательных систем, поддерживающих приложения в каждой отрасли.


Узнайте, как Digitec Galaxus обучает и обслуживает миллионы персонализированных информационных бюллетеней в неделю с помощью агентов TFX и TensorFlow.

Узнайте, как HarperDB использует TensorFlow Recommenders и TensorFlow.js для создания системы рекомендаций на основе совместной фильтрации для продуктовых магазинов.

Реализуйте рабочий процесс поиска кандидатов с Vertex AI Matching Engine, чтобы создать систему рекомендаций по плейлистам с использованием набора данных Spotify Million Playlist.