ระบบแนะนำ
ตั้งแต่การสั่งอาหารไปจนถึงวิดีโอออนดีมานด์และการสตรีมเสียงไปจนถึงแฟชั่น ระบบการแนะนำช่วยขับเคลื่อนแอปพลิเคชันที่ได้รับความนิยมมากที่สุดในปัจจุบัน สำรวจวิธีที่คุณสามารถสร้างระบบการแนะนำที่พร้อมสำหรับการผลิตด้วยไลบรารีโอเพ่นซอร์สและเครื่องมือจากระบบนิเวศ TensorFlow
ระบบการแนะนำช่วยเพิ่มการมีส่วนร่วมของผู้ใช้ภายในแอปของคุณและยกระดับประสบการณ์ผู้ใช้ด้วยการมอบเนื้อหาที่เป็นที่ต้องการมากที่สุด ผู้แนะนำสมัยใหม่คือระบบที่ซับซ้อนซึ่งมักจะถูกแบ่งออกเป็นหลายขั้นตอนเพื่อให้เกิดเวลาแฝงในการผลิตที่ต่ำ ผ่านขั้นตอนการดึงข้อมูล การจัดอันดับ และความเป็นไปได้หลังการจัดอันดับ รายการที่ไม่เกี่ยวข้องจะถูกค่อยๆ กรองออกจากกลุ่มผู้สมัครจำนวนมาก และรายการตัวเลือกที่ผู้ใช้มีแนวโน้มที่จะโต้ตอบด้วยมากที่สุดจะถูกนำเสนอในที่สุด
เริ่มต้นสร้างด้วย TensorFlow Recommenders ซึ่งเป็นเฟรมเวิร์กที่ใช้งานง่ายซึ่งอำนวยความสะดวกในขั้นตอนการทำงานเต็มรูปแบบในการสร้างระบบผู้แนะนำตั้งแต่การเตรียมข้อมูลไปจนถึงการใช้งาน
เมื่อคุณฝึกฝนโมเดลของคุณเสร็จแล้ว ให้ปรับใช้โมเดลดังกล่าวในการใช้งานจริงเพื่อให้คำแนะนำแก่ผู้ใช้ปลายทาง TensorFlow Serving สร้างแบบจำลองของคุณเพื่อการอนุมานที่มีประสิทธิภาพสูง โดยมีจุดมุ่งหมายเพื่อเพิ่มปริมาณงานของโมเดลการเรียนรู้ของเครื่องให้สูงสุด และสามารถรองรับโมเดลคำแนะนำขนาดใหญ่ที่ต้องมีการให้บริการแบบกระจาย
# 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]]}
ปรับปรุงขั้นตอนการดึงข้อมูลและการจัดอันดับของกลไกการแนะนำ
ระบบการแนะนำขนาดใหญ่จำเป็นต้องมีการพิจารณารายการที่เกี่ยวข้องมากที่สุดจากผู้สมัครหลายล้านคนผ่านขั้นตอนการดึงข้อมูลและการจัดอันดับอย่างมีประสิทธิภาพและประสิทธิผล เสริมผู้แนะนำ TensorFlow ด้วยอัลกอริธึมการค้นหา Approximate Nearest Neighbor (ANN) ที่ล้ำสมัยและเทคนิคการเรียนรู้อันดับ (LTR) เพื่อปรับปรุงคำแนะนำ
ScaNN เป็นไลบรารีสำหรับการค้นหาความคล้ายคลึงกันของเวกเตอร์ในขนาดต่างๆ โดยใช้ประโยชน์จากเทคนิค ANN ที่ล้ำสมัย เช่น การแฮชแบบอสมมาตรและการหาปริมาณแบบแอนไอโซทรอปิก เพื่อเร่งการดึงข้อมูลผู้สมัครอันดับต้นๆ
TensorFlow Ranking เป็นไลบรารีสำหรับการพัฒนาโมเดล LTR แบบนิวรัลที่ปรับขนาดได้ มีฟังก์ชันเพิ่มเติมเพื่อจัดอันดับรายการผู้สมัครเพื่อเพิ่มยูทิลิตี้การจัดอันดับให้สูงสุด
ปรับการฝังขนาดใหญ่ให้เหมาะสมสำหรับการฝึกโมเดลและการอนุมาน
การดำเนินการค้นหาแบบฝังเป็นองค์ประกอบที่สำคัญสำหรับระบบการแนะนำขนาดใหญ่ ใช้ประโยชน์จากการเร่งด้วยฮาร์ดแวร์และเทคโนโลยีการฝังแบบไดนามิกเพื่อเอาชนะปัญหาคอขวดด้านประสิทธิภาพที่พบบ่อยในตารางการฝังขนาดใหญ่
API เลเยอร์ TPUEmbedding อำนวยความสะดวกในการฝึกอบรมและให้บริการตารางการฝังขนาดใหญ่บน Tensor Processing Units (TPU)
ส่วนเสริมผู้แนะนำ TensorFlow เป็นโปรเจ็กต์ที่สนับสนุนโดยชุมชนซึ่งใช้ประโยชน์จากเทคโนโลยีการฝังแบบไดนามิกซึ่งมีประโยชน์อย่างยิ่งสำหรับการเรียนรู้ออนไลน์
รักษาความเป็นส่วนตัวของผู้ใช้
กลไกการแนะนำแบบดั้งเดิมอาศัยการรวบรวมบันทึกการโต้ตอบของผู้ใช้และโมเดลคำแนะนำการฝึกอบรมตามกิจกรรมของผู้ใช้ดิบ ตรวจสอบให้แน่ใจว่าข้อมูลผู้ใช้ยังคงเป็นส่วนตัวโดยผสมผสานหลักปฏิบัติในการพัฒนา AI อย่างมีความรับผิดชอบ
TensorFlow Lite นำเสนอโซลูชันการแนะนำบนอุปกรณ์ที่ได้รับคำแนะนำที่มีความหน่วงต่ำและมีคุณภาพสูง ในขณะเดียวกันก็เก็บข้อมูลผู้ใช้ทั้งหมดไว้ในอุปกรณ์เคลื่อนที่
TensorFlow Federated เป็นเฟรมเวิร์กสำหรับการเรียนรู้แบบรวมศูนย์และการคำนวณอื่นๆ บนข้อมูลแบบกระจายอำนาจ การสร้างใหม่แบบรวมศูนย์นำการแยกตัวประกอบแบบเมทริกซ์มาสู่การตั้งค่าการเรียนรู้แบบรวมศูนย์ และปกป้องความเป็นส่วนตัวของผู้ใช้สำหรับคำแนะนำได้ดียิ่งขึ้น
ใช้เทคนิคขั้นสูงสำหรับผู้แนะนำที่ซับซ้อนมากขึ้น
แม้ว่าโมเดลการกรองการทำงานร่วมกันแบบคลาสสิกจะใช้กันอย่างแพร่หลายในอุตสาหกรรม แต่ก็มีแนวโน้มเพิ่มขึ้นในการนำเทคนิคขั้นสูงมาใช้ เช่น การเรียนรู้แบบเสริมกำลังและโครงข่ายประสาทเทียมแบบกราฟ (GNN) เพื่อสร้างระบบการแนะนำ
TensorFlow Agents Bandits เป็นคลังอัลกอริธึมโจรที่ครอบคลุมซึ่งสามารถสำรวจและใช้ประโยชน์ได้อย่างมีประสิทธิภาพในการตั้งค่ากลไกการแนะนำ
TensorFlow GNN เป็นไลบรารีที่สามารถอำนวยความสะดวกในการแนะนำรายการตามโครงสร้างเครือข่ายได้อย่างมีประสิทธิภาพ และใช้ร่วมกับแบบจำลองการดึงข้อมูลและการจัดอันดับ
เรียนรู้วิธีใช้โมเดลภาษาขนาดใหญ่ (LLM) เช่น PaLM API เพื่อเพิ่มระบบการแนะนำของคุณ
อ้างอิงโมเดลคำแนะนำที่ล้ำสมัย
หากต้องการเปรียบเทียบประสิทธิภาพสำหรับโมเดลที่เป็นที่รู้จักหรือสร้างโมเดลแนะนำของคุณเอง โปรดดูการใช้งาน TensorFlow อย่างเป็นทางการของโมเดลยอดนิยม เช่น NCF, DLRM และ DCN v2 เพื่อดูแนวทางปฏิบัติที่ดีที่สุด
ทรัพยากรทางการศึกษา
เรียนรู้เพิ่มเติมเกี่ยวกับการสร้างระบบการแนะนำโดยทำตามหลักสูตรและวิดีโอทีละขั้นตอน
ระบบการแนะนำในโลกแห่งความเป็นจริง
สำรวจตัวอย่างและกรณีศึกษาของระบบการแนะนำที่ขับเคลื่อนการใช้งานในทุกอุตสาหกรรม
เรียนรู้ว่า YouTube สร้างระบบการแนะนำที่มีประสิทธิภาพในลักษณะที่มีความรับผิดชอบได้อย่างไร
อ่านเกี่ยวกับวิธีที่ Digitec Galaxus ฝึกอบรมและให้บริการจดหมายข่าวส่วนบุคคลหลายล้านฉบับต่อสัปดาห์กับตัวแทน TFX และ TensorFlow
เรียนรู้วิธีที่ HarperDB ใช้ TensorFlow Recommenders และ TensorFlow.js เพื่อสร้างระบบการแนะนำที่อิงการกรองแบบร่วมมือกันสำหรับสินค้าในร้านขายของชำ
เรียนรู้ว่า Spotify ใช้ประโยชน์จากระบบนิเวศ TensorFlow เพื่อออกแบบโปรแกรมจำลองออฟไลน์ที่ขยายได้ และฝึกอบรมตัวแทน RL เพื่อสร้างคำแนะนำเพลย์ลิสต์ได้อย่างไร