সুপারিশ

TensorFlow.org এ দেখুন GitHub-এ উৎস দেখুন

ব্যক্তিগতকৃত সুপারিশগুলি মোবাইল ডিভাইসে বিভিন্ন ব্যবহারের ক্ষেত্রে ব্যাপকভাবে ব্যবহৃত হয়, যেমন মিডিয়া বিষয়বস্তু পুনরুদ্ধার, কেনাকাটার পণ্যের পরামর্শ এবং পরবর্তী অ্যাপের সুপারিশ। আপনি ব্যবহারকারীর গোপনীয়তাকে সম্মান করার সময় আপনার অ্যাপ্লিকেশনে ব্যক্তিগতকৃত সুপারিশ প্রদান করতে আগ্রহী হলে, আমরা নিম্নলিখিত উদাহরণ এবং টুলকিটটি অন্বেষণ করার পরামর্শ দিই।

এবার শুরু করা যাক

আমরা একটি TensorFlow Lite নমুনা অ্যাপ্লিকেশান প্রদান করি যা প্রদর্শন করে যে কীভাবে Android-এ ব্যবহারকারীদের প্রাসঙ্গিক আইটেমগুলি সুপারিশ করতে হয়।

অ্যান্ড্রয়েড উদাহরণ

আপনি যদি অ্যান্ড্রয়েড ছাড়া অন্য কোনো প্ল্যাটফর্ম ব্যবহার করেন বা আপনি ইতিমধ্যেই TensorFlow Lite API-এর সাথে পরিচিত হন, তাহলে আপনি আমাদের স্টার্টার সুপারিশ মডেল ডাউনলোড করতে পারেন।

স্টার্টার মডেল ডাউনলোড করুন

আপনার নিজস্ব মডেলকে কনফিগারযোগ্য উপায়ে প্রশিক্ষণ দেওয়ার জন্য আমরা গিথুবে প্রশিক্ষণ স্ক্রিপ্টও সরবরাহ করি।

প্রশিক্ষণ কোড

মডেল আর্কিটেকচার বুঝুন

আমরা একটি দ্বৈত-এনকোডার মডেল আর্কিটেকচার, অনুক্রমিক ব্যবহারকারীর ইতিহাস এনকোড করতে প্রসঙ্গ-এনকোডার সহ এবং পূর্বাভাসিত সুপারিশ প্রার্থীকে এনকোড করতে লেবেল-এনকোডার সহ। প্রেক্ষাপট এবং লেবেল এনকোডিংয়ের মধ্যে সাদৃশ্য ভবিষ্যদ্বাণী করা প্রার্থী ব্যবহারকারীর চাহিদা পূরণ করার সম্ভাবনার প্রতিনিধিত্ব করতে ব্যবহৃত হয়।

এই কোড বেসের সাথে তিনটি ভিন্ন অনুক্রমিক ব্যবহারকারীর ইতিহাস এনকোডিং কৌশল প্রদান করা হয়েছে:

  • ব্যাগ-অফ-ওয়ার্ডস এনকোডার (BOW): প্রসঙ্গ ক্রম বিবেচনা না করে ব্যবহারকারীর কার্যকলাপের এম্বেডিংয়ের গড়।
  • কনভোলিউশনাল নিউরাল নেটওয়ার্ক এনকোডার (CNN): কনভোলিউশনাল নিউরাল নেটওয়ার্কের একাধিক স্তর প্রয়োগ করে কনটেক্সট এনকোডিং তৈরি করা।
  • পুনরাবৃত্ত নিউরাল নেটওয়ার্ক এনকোডার (RNN): প্রসঙ্গ ক্রম এনকোড করতে পুনরাবৃত্তি নিউরাল নেটওয়ার্ক প্রয়োগ করা।

প্রতিটি ব্যবহারকারীর কার্যকলাপের মডেল করার জন্য, আমরা কার্যকলাপ আইটেমের আইডি (আইডি-ভিত্তিক) বা আইটেমের একাধিক বৈশিষ্ট্য (বৈশিষ্ট্য-ভিত্তিক), বা উভয়ের সংমিশ্রণ ব্যবহার করতে পারি। সমষ্টিগতভাবে ব্যবহারকারীদের আচরণ এনকোড করতে একাধিক বৈশিষ্ট্য ব্যবহার করে বৈশিষ্ট্য-ভিত্তিক মডেল। এই কোড বেস দিয়ে, আপনি আইডি-ভিত্তিক বা বৈশিষ্ট্য-ভিত্তিক মডেলগুলি কনফিগারযোগ্য উপায়ে তৈরি করতে পারেন।

প্রশিক্ষণের পরে, একটি TensorFlow Lite মডেল রপ্তানি করা হবে যা সুপারিশ প্রার্থীদের মধ্যে সরাসরি শীর্ষ-K পূর্বাভাস প্রদান করতে পারে।

আপনার প্রশিক্ষণ তথ্য ব্যবহার করুন

প্রশিক্ষিত মডেল ছাড়াও, আমরা গিটহাবে একটি ওপেন-সোর্স টুলকিট প্রদান করি যাতে আপনার নিজস্ব ডেটা সহ মডেলগুলিকে প্রশিক্ষণ দেওয়া যায়। কিভাবে টুলকিট ব্যবহার করতে হয় এবং আপনার নিজের মোবাইল অ্যাপ্লিকেশনে প্রশিক্ষিত মডেল স্থাপন করতে হয় তা শিখতে আপনি এই টিউটোরিয়ালটি অনুসরণ করতে পারেন।

আপনার নিজস্ব ডেটাসেট ব্যবহার করে সুপারিশ মডেল প্রশিক্ষণের জন্য এখানে ব্যবহৃত একই কৌশল প্রয়োগ করতে অনুগ্রহ করে এই টিউটোরিয়ালটি অনুসরণ করুন।

উদাহরণ

উদাহরণ হিসাবে, আমরা আইডি-ভিত্তিক এবং বৈশিষ্ট্য-ভিত্তিক উভয় পদ্ধতির সাথে সুপারিশ মডেলগুলিকে প্রশিক্ষিত করেছি। আইডি-ভিত্তিক মডেল ইনপুট হিসাবে শুধুমাত্র মুভি আইডি নেয়, এবং বৈশিষ্ট্য-ভিত্তিক মডেল মুভি আইডি এবং মুভি জেনার আইডি উভয়ই ইনপুট হিসাবে নেয়। অনুগ্রহ করে নিম্নলিখিত ইনপুট এবং আউটপুট উদাহরণ খুঁজুন।

ইনপুট

  • প্রসঙ্গ মুভি আইডি:

    • সিংহ রাজা (আইডি: 362)
    • খেলনার গল্প (আইডি: 1)
    • (এবং আরো)
  • প্রসঙ্গ মুভি জেনার আইডি:

    • অ্যানিমেশন (আইডি: 15)
    • শিশুদের (আইডি: 9)
    • মিউজিক্যাল (আইডি: 13)
    • অ্যানিমেশন (আইডি: 15)
    • শিশুদের (আইডি: 9)
    • কমেডি (আইডি: 2)
    • (এবং আরো)

আউটপুট:

  • প্রস্তাবিত চলচ্চিত্র আইডি:
    • টয় স্টোরি 2 (আইডি: 3114)
    • (এবং আরো)

কর্মক্ষমতা বেঞ্চমার্ক

পারফরম্যান্স বেঞ্চমার্ক নম্বর এখানে বর্ণিত টুল দিয়ে তৈরি করা হয়।

ণশড মডেল সাইজ যন্ত্র সিপিইউ
সুপারিশ (ইনপুট হিসাবে মুভি আইডি) 0.52 Mb পিক্সেল 3 0.09ms*
পিক্সেল 4 0.05ms*
সুপারিশ (ইনপুট হিসাবে মুভি আইডি এবং মুভি জেনার) 1.3 Mb পিক্সেল 3 0.13ms*
পিক্সেল 4 0.06ms*

* 4টি থ্রেড ব্যবহার করা হয়েছে।

আপনার প্রশিক্ষণ তথ্য ব্যবহার করুন

প্রশিক্ষিত মডেল ছাড়াও, আমরা গিটহাবে একটি ওপেন-সোর্স টুলকিট প্রদান করি যাতে আপনার নিজস্ব ডেটা সহ মডেলগুলিকে প্রশিক্ষণ দেওয়া যায়। কিভাবে টুলকিট ব্যবহার করতে হয় এবং আপনার নিজের মোবাইল অ্যাপ্লিকেশনে প্রশিক্ষিত মডেল স্থাপন করতে হয় তা শিখতে আপনি এই টিউটোরিয়ালটি অনুসরণ করতে পারেন।

আপনার নিজস্ব ডেটাসেট ব্যবহার করে সুপারিশ মডেল প্রশিক্ষণের জন্য এখানে ব্যবহৃত একই কৌশল প্রয়োগ করতে অনুগ্রহ করে এই টিউটোরিয়ালটি অনুসরণ করুন।

আপনার ডেটা সহ মডেল কাস্টমাইজেশনের জন্য টিপস

এই ডেমো অ্যাপ্লিকেশনে একত্রিত পূর্বপ্রশিক্ষিত মডেল মুভিলেন্স ডেটাসেটের সাথে প্রশিক্ষিত, আপনি আপনার নিজস্ব ডেটার উপর ভিত্তি করে মডেল কনফিগারেশন পরিবর্তন করতে চাইতে পারেন, যেমন ভোকাব আকার, এম্বেডিং ডিমস এবং ইনপুট প্রসঙ্গ দৈর্ঘ্য। এখানে কয়েকটি টিপস রয়েছে:

  • ইনপুট প্রসঙ্গ দৈর্ঘ্য: সেরা ইনপুট প্রসঙ্গ দৈর্ঘ্য ডেটাসেটের সাথে পরিবর্তিত হয়। দীর্ঘমেয়াদী স্বার্থ বনাম স্বল্প-মেয়াদী প্রসঙ্গের সাথে লেবেল ইভেন্টগুলি কতটা সম্পর্কযুক্ত তার উপর ভিত্তি করে আমরা ইনপুট প্রসঙ্গ দৈর্ঘ্য নির্বাচন করার পরামর্শ দিই।

  • এনকোডার প্রকার নির্বাচন: আমরা ইনপুট প্রসঙ্গ দৈর্ঘ্যের উপর ভিত্তি করে এনকোডারের প্রকার নির্বাচন করার পরামর্শ দিই। ব্যাগ-অফ-শব্দ এনকোডার ছোট ইনপুট প্রসঙ্গ দৈর্ঘ্যের জন্য ভাল কাজ করে (যেমন <10), CNN এবং RNN এনকোডারগুলি দীর্ঘ ইনপুট প্রসঙ্গ দৈর্ঘ্যের জন্য আরও সংক্ষিপ্তকরণ ক্ষমতা নিয়ে আসে।

  • আইটেম বা ব্যবহারকারীর ক্রিয়াকলাপগুলিকে প্রতিনিধিত্ব করার জন্য অন্তর্নিহিত বৈশিষ্ট্যগুলি ব্যবহার করে মডেলের কার্যকারিতা উন্নত করতে পারে, নতুন আইটেমগুলিকে আরও ভালভাবে মিটমাট করতে পারে, সম্ভবত ডাউন স্কেল এম্বেডিং স্পেসগুলি তাই মেমরি খরচ কমাতে পারে এবং আরও অন-ডিভাইস বন্ধুত্বপূর্ণ হতে পারে।