Hệ thống khuyến nghị

Từ đặt món ăn đến video theo yêu cầu, truyền âm thanh đến thời trang, hệ thống đề xuất hỗ trợ một số ứng dụng phổ biến nhất hiện nay. Khám phá cách bạn có thể xây dựng hệ thống đề xuất sẵn sàng sản xuất bằng các thư viện và công cụ 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 mong muốn nhất. Công cụ đề xuất hiện đại là các hệ thống phức tạp thường được chia thành nhiều giai đoạn để đạt được độ trễ thấp trong sản xuất. Thông qua các giai đoạn truy xuất, xếp hạng và có thể là sau xếp hạng, 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 cũng được trình bày.

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

Khi bạn đào tạo xong các mô hình của mình, hãy triển khai chúng vào sản xuất để đưa ra đề xuất cho người dùng cuối. TensorFlow Serve 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 học máy và có thể hỗ trợ các mô hình đề xuất lớn yêu cầu phân phối 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 công cụ đề xuất

Các hệ thống đề xuất quy mô lớn yêu cầu các mục phù hợp nhất phải 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 Công cụ đề xuất TensorFlow bằng các thuật toán tìm kiếm Hàng xóm gần nhất (ANN) tiên tiến nhất và kỹ thuật học để xếp hạng (LTR) để cải thiện các đề xuất.

Google Quét

ScaNN là một thư viện để tìm kiếm vector tương tự trên quy mô lớn. Nó tận dụng các kỹ thuật ANN tiên tiến, chẳng hạn như hàm băm bất đối xứng và lượng tử hóa dị 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 tiện ích xếp hạng.

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

Hoạt động 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 về hiệu suất thường gặp trong các bảng nhúng lớn.

TensorFlow TPUNhúng

API lớp TPUEmbedding tạo điều kiện thuận lợi cho việc đào tạo và phục vụ các bảng nhúng lớn trên Bộ xử lý Tensor (TPU).

Tiện ích đề xuất TensorFlow

TensorFlow Suggesters Addons là một dự án do cộng đồng đóng góp, tận dụng 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 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 .

Đề xuất trên thiết bị TensorFlow Lite

TensorFlow Lite cung cấp giải pháp đề xuất trên thiết bị nhằm đạt được các đề xuất có độ trễ thấp và chất lượng cao, trong khi vẫn 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 dành cho việc học tập liên kết và các tính toán khác trên dữ liệu phi tập trung. Tái thiết liên kết đưa hệ số ma trận vào cài đặt học tập 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 những người giới thiệu tinh vi hơn

Trong khi các mô hình lọc cộng tác cổ điển được sử dụng rộng rãi trong ngành, thì xu hướng áp dụng các kỹ thuật tiên tiến như học tăng cường và Mạng thần kinh đồ thị (GNN) để xây dựng hệ thống đề xuất đang ngày càng gia tăng.

Kẻ cướp đại lý TensorFlow

TensorFlow Agents Bandits là một thư viện toàn diện về 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 tạo điều kiện thuận lợi cho các đề xuất mục dựa trên cấu trúc mạng một cách hiệu quả và được sử dụng cùng với các mô hình truy xuất và xếp hạng.

AI sáng 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 khuyến nghị hiện đại

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

Tài nguyên giáo dục

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

Hệ thống khuyến nghị trong thế giới thực

Khám phá các ví dụ và nghiên cứu điển hình về hệ thống khuyến nghị hỗ trợ các ứng dụng trong mọi ngành.

Video trực tuyến

Tìm hiểu cách YouTube xây dựng hệ thống đề xuất mạnh mẽ 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 Đại lý TFX và TensorFlow.

Cửa hàng tạp hóa

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

Truyền phát âm thanh

Tìm hiểu cách Spotify tận dụng hệ sinh thái TensorFlow để thiết kế trình mô phỏng ngoại tuyến có thể mở rộng và đào tạo Đại lý RL để tạo đề xuất danh sách phát.