Weź udział w konferencji Recommendation System Dev Summit 9 czerwca Zarejestruj się teraz

Systemy rekomendacji

Od zamawiania jedzenia po wideo na żądanie i strumieniowe przesyłanie dźwięku po modę, systemy rekomendacji napędzają niektóre z najpopularniejszych obecnie aplikacji. Dowiedz się, jak tworzyć gotowe do produkcji systemy rekomendacji z bibliotekami open source i narzędziami z ekosystemu TensorFlow.

Systemy rekomendacji zwiększają zaangażowanie użytkowników w Twojej aplikacji i podnoszą komfort użytkowania, dostarczając najbardziej pożądane treści. Współcześni rekomendatorzy to złożone systemy, które często dzieli się na wiele etapów, aby osiągnąć niskie opóźnienia w produkcji. Na etapach wyszukiwania, ustalania rankingu i potencjalnie postrankingu nieistotne elementy są stopniowo odfiltrowywane z dużej puli kandydatów, a na koniec przedstawiana jest lista opcji, z którymi użytkownicy mają największe szanse na interakcję.

Rozpocznij tworzenie z TensorFlow Recommenders , łatwą w użyciu platformą, która ułatwia pełny przepływ pracy tworzenia systemu rekomendacji od przygotowania danych do wdrożenia.

Po zakończeniu szkolenia modeli wdróż je w środowisku produkcyjnym, aby udostępniać rekomendacje użytkownikom końcowym. TensorFlow Serving tworzy modele w celu uzyskania wysokiej wydajności wnioskowania. Ma na celu maksymalizację przepustowości modeli uczenia maszynowego i może obsługiwać duże modele rekomendacji, które wymagają obsługi rozproszonej.

# 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
Dowiedz się, jak zbudować i wdrożyć pełny system rekomendacji stosu za pomocą TensorFlow

Usprawnij etapy wyszukiwania i rankingu silników rekomendacji

Systemy rekomendacji na dużą skalę wymagają, aby najistotniejsze pozycje były określane spośród milionów kandydatów poprzez etapy wyszukiwania i rankingu w skuteczny i wydajny sposób. Uzupełnij rekomendacje TensorFlow najnowocześniejszymi algorytmami wyszukiwania przybliżonego najbliższego sąsiada (ANN) i technikami uczenia się, aby oceniać (LTR), aby ulepszyć rekomendacje.

Google ScanNN

ScaNN to biblioteka do wyszukiwania podobieństw wektorowych na dużą skalę. Wykorzystuje najnowocześniejsze techniki ANN, takie jak haszowanie asymetryczne i kwantyzacja anizotropowa, aby przyspieszyć wyszukiwanie najlepszych kandydatów.

Ranking TensorFlow

TensorFlow Ranking to biblioteka do tworzenia skalowalnych, neuronowych modeli LTR. Zapewnia dodatkowe funkcje do oceniania pozycji kandydujących w celu maksymalizacji użyteczności rankingu.

Optymalizuj duże osadzenie na potrzeby uczenia modeli i wnioskowania

Operacja wyszukiwania osadzania jest kluczowym elementem systemów rekomendacji na dużą skalę. Wykorzystaj akcelerację sprzętową i technologię dynamicznego osadzania, aby przezwyciężyć wąskie gardła wydajności często spotykane w przypadku dużych tabel osadzania.

Osadzanie TensorFlow TPU

Interfejs API warstwy TPUEmbedding ułatwia szkolenie i udostępnianie dużych tabel osadzania na jednostkach przetwarzania Tensor (TPU).

Dodatki polecające TensorFlow

TensorFlow Recommenders Addons to projekt tworzony przez społeczność, który wykorzystuje technologię dynamicznego osadzania, która jest szczególnie przydatna do nauki online.

Zachowaj prywatność użytkowników

Tradycyjne silniki rekomendacji opierają się na zbieraniu dzienników interakcji użytkowników i modelach rekomendacji szkoleniowych w oparciu o surowe działania użytkowników. Zadbaj o to, by dane użytkowników pozostały prywatne, stosując praktyki odpowiedzialnego rozwoju sztucznej inteligencji .

Rekomendacja TensorFlow Lite na urządzeniu

TensorFlow Lite zapewnia rozwiązanie rekomendacji na urządzeniu, które zapewnia rekomendacje o niskim opóźnieniu i wysokiej jakości, przy jednoczesnym zachowaniu wszystkich danych użytkownika na urządzeniach mobilnych.

Federacyjna rekonstrukcja z TensorFlow Federated

TensorFlow Federated to platforma do federacyjnego uczenia się i innych obliczeń na zdecentralizowanych danych. Federated Reconstruction wprowadza faktoryzację macierzową do federacyjnego środowiska szkoleniowego i lepiej chroni prywatność użytkowników w przypadku rekomendacji.

Użyj zaawansowanych technik dla bardziej wyrafinowanych rekomendatorów

Podczas gdy klasyczne modele filtrowania opartego na współpracy są szeroko stosowane w branży, istnieje rosnąca tendencja do przyjmowania zaawansowanych technik, takich jak uczenie się przez wzmacnianie i sieci neuronowe grafu (GNN), do tworzenia systemów rekomendacji.

Bandyci agentów TensorFlow

TensorFlow Agents Bandits to obszerna biblioteka algorytmów bandytów, które mogą efektywnie eksplorować i wykorzystywać w ustawieniach silnika rekomendacji.

TensorFlow GNN

TensorFlow GNN to biblioteka, która może wydajnie ułatwiać rekomendacje pozycji w oparciu o struktury sieci i być używana w połączeniu z modelami wyszukiwania i rankingu.

Odwołaj się do najnowocześniejszych modeli rekomendacji

Aby porównać wydajność dobrze znanego modelu lub zbudować własne modele rekomendacji, sprawdź oficjalne implementacje TensorFlow popularnych modeli — takich jak NCF, DLRM i DCN v2 — w celu uzyskania najlepszych praktyk.

Zasoby edukacyjne

Dowiedz się więcej o tworzeniu systemów rekomendacji, korzystając z kursów i filmów krok po kroku.

Systemy rekomendacji w świecie rzeczywistym

Zapoznaj się z przykładami i studiami przypadków systemów rekomendacji zasilających aplikacje w każdej branży.

Wideo w Internecie

Dowiedz się, jak YouTube buduje swój potężny system rekomendacji w odpowiedzialny sposób.

e-commerce

Przeczytaj o tym, jak firma Digitec Galaxus szkoli i obsługuje miliony spersonalizowanych biuletynów tygodniowo za pomocą agentów TFX i TensorFlow.

Sklep spożywczy

Dowiedz się, jak HarperDB używa TensorFlow Recommenders i TensorFlow.js do tworzenia opartego na filtrowaniu systemu rekomendacji dla produktów ze sklepu spożywczego.