推荐系统

从订餐到视频点播和音频在线播放，再到时尚内容，推荐系统可为当今一些极受欢迎的应用提供助力。探索如何利用 TensorFlow 生态系统中的开源库和工具构建可用于生产环境的推荐系统。

推荐系统通过提供最合乎用户需求的内容，提高用户在您的应用内的互动度并提升用户体验。新型 Recommender 系统十分复杂，通常会细分为多个阶段，以便在生产环境中实现低延迟。通过检索、排序和可能的排序后阶段，系统会从大量候选项中逐渐过滤掉不相关的推荐项，最终呈现用户最有可能进行互动的一系列选项。开始使用 TensorFlow Recommenders 进行构建，这是一个简单易用的框架，可在 Recommender 系统的整个构建流程（从数据准备到部署）中发挥作用。

TensorFlow Recommenders 使用入门

完成模型训练后，您可以将模型部署到生产环境中，以向最终用户提供推荐内容。TensorFlow Serving 可将模型投入生产环境，实现高性能推断。该平台旨在最大限度提高机器学习模型的吞吐量，并且能够为需要分布式服务的大型推荐模型提供支持。

TensorFlow Serving 使用入门

# 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

了解如何使用 TensorFlow 构建和部署全栈推荐系统

Google ScaNN

ScaNN 是一个用于进行大规模向量相似度搜索的库。该库利用先进的 ANN 技术（例如非对称哈希处理和各向异性量化）来加速检索热门候选项。

GitHub 博文教程

TensorFlow Ranking

TensorFlow Ranking 是一个用于开发可扩容的神经 LTR 模型的库。该库提供了额外的功能来对候选推荐项进行排序，以便最大限度发挥排序实用程序的效用。

GitHub 博文教程