TensorFlow Recommenders
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]}")
A TensorFlow Recommenders (TFRS) é uma biblioteca para criar modelos de sistema de recomendações.
Ela ajuda com o fluxo de trabalho completo da criação de um sistema de recomendações: preparação de dados, elaboração de modelos, treinamento, avaliação e implantação.
A biblioteca é criada com base na Keras, e o objetivo é ter uma curva de aprendizado suave e, ao mesmo tempo, proporcionar flexibilidade para criar modelos complexos.
A TFRS possibilita:
Para saber mais, acesse o tutorial sobre como construir um sistema de recomendação de filmes ou confira os documentos da API para a Referência da API.
Ela ajuda com o fluxo de trabalho completo da criação de um sistema de recomendações: preparação de dados, elaboração de modelos, treinamento, avaliação e implantação.
A biblioteca é criada com base na Keras, e o objetivo é ter uma curva de aprendizado suave e, ao mesmo tempo, proporcionar flexibilidade para criar modelos complexos.
A TFRS possibilita:
- a construção e a avaliação de modelos flexíveis de recuperação de recomendação;
- a incorporação livre de itens, usuários e informações contextuais nos modelos de recomendação;
- o treinamento de modelos multitarefa que otimizam em conjunto vários objetivos de recomendação.
Para saber mais, acesse o tutorial sobre como construir um sistema de recomendação de filmes ou confira os documentos da API para a Referência da API.
