TensorFlow-Empfehler
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 Recommenders (TFRS) ist eine Bibliothek zum Erstellen von Empfehlungssystemmodellen.
Es unterstützt den gesamten Workflow beim Aufbau eines Empfehlungssystems: Datenvorbereitung, Modellformulierung, Training, Evaluierung und Bereitstellung.
Es basiert auf Keras und zielt auf eine sanfte Lernkurve ab, während es Ihnen dennoch die Flexibilität gibt, komplexe Modelle zu erstellen.
TFRS ermöglicht:
Um mehr zu erfahren, finden Sie in der Anleitung, wie man einen Film Recommender - System zu bauen , oder überprüfen Sie die API - Dokumentation für die API - Referenz.
Es unterstützt den gesamten Workflow beim Aufbau eines Empfehlungssystems: Datenvorbereitung, Modellformulierung, Training, Evaluierung und Bereitstellung.
Es basiert auf Keras und zielt auf eine sanfte Lernkurve ab, während es Ihnen dennoch die Flexibilität gibt, komplexe Modelle zu erstellen.
TFRS ermöglicht:
- Erstellen und bewerten Sie flexible Modelle zum Abrufen von Empfehlungen.
- Frei incorporate Artikel, Benutzer- und Kontextinformationen in Empfehlung Modelle.
- Trainieren Sie Multi-Task - Modelle , die gemeinsam mehrere Empfehlung Ziele zu optimieren.
Um mehr zu erfahren, finden Sie in der Anleitung, wie man einen Film Recommender - System zu bauen , oder überprüfen Sie die API - Dokumentation für die API - Referenz.