TensorFlow Öneri Araçları

import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs

# Load data on movie ratings.
ratings = tfds.load("movielens/100k-ratings", split="train")
movies = tfds.load("movielens/100k-movies", split="train")

# Build flexible representation models.
user_model = tf.keras.Sequential([...])
movie_model = tf.keras.Sequential([...])

# Define your objectives.
task = tfrs.tasks.Retrieval(metrics=tfrs.metrics.FactorizedTopK(
    movies.batch(128).map(movie_model)
  )
)

# Create a retrieval model.
model = MovielensModel(user_model, movie_model, task)
model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5))

# Train.
model.fit(ratings.batch(4096), epochs=3)

# Set up retrieval using trained representations.
index = tfrs.layers.ann.BruteForce(model.user_model)
index.index_from_dataset(
    movies.batch(100).map(lambda title: (title, model.movie_model(title)))
)

# Get recommendations.
_, titles = index(np.array(["42"]))
print(f"Recommendations for user 42: {titles[0, :3]}")
TensorFlow Önerileri (TFRS), öneri sistemi modelleri oluşturmaya yönelik bir kitaplıktır.

Bir öneri sistemi oluşturmanın tam iş akışına yardımcı olur: veri hazırlama, model oluşturma, eğitim, değerlendirme ve dağıtım.

Keras üzerine inşa edilmiştir ve size karmaşık modeller oluşturma esnekliği verirken yumuşak bir öğrenme eğrisine sahip olmayı amaçlar.

TFRS aşağıdakileri mümkün kılar:
  • Esnek öneri alma modelleri oluşturun ve değerlendirin.
  • Öğe, kullanıcı ve bağlam bilgilerini öneri modellerine özgürce dahil edin.
  • Birden çok öneri hedefini birlikte optimize eden çok görevli modelleri eğitin.
TFRS açık kaynak kodludur ve Github'da mevcuttur.

Daha fazla bilgi edinmek için, bir film öneri sisteminin nasıl oluşturulacağına ilişkin eğiticiye bakın veya API referansı için API belgelerine bakın.