Öneri sistemleri
Yemek siparişinden talep üzerine videoya ve ses akışından modaya kadar, öneri sistemleri günümüzün en popüler uygulamalarından bazılarına güç vermektedir. Açık kaynak kitaplıkları ve TensorFlow ekosistemindeki araçlarla üretime hazır öneri sistemlerini nasıl oluşturabileceğinizi keşfedin.
Öneri sistemleri, uygulamanızdaki kullanıcı katılımını artırır ve en çok arzu edilen içeriği sağlayarak kullanıcı deneyimini yükseltir. Modern tavsiyeciler, üretimde düşük gecikme süresi elde etmek için genellikle birden fazla aşamaya bölünen karmaşık sistemlerdir. Alım, sıralama ve potansiyel olarak sıralama sonrası aşamalar aracılığıyla, ilgisiz öğeler büyük bir aday havuzundan kademeli olarak filtrelenir ve kullanıcıların etkileşime girme olasılığının en yüksek olduğu seçenekler listesi sonunda sunulur.
Veri hazırlığından devreye almaya kadar bir öneri sistemi oluşturmanın tüm iş akışını kolaylaştıran, kullanımı kolay bir çerçeve olan TensorFlow Öneri Aracı ile oluşturmaya başlayın.
Modellerinizi eğitmeyi bitirdiğinizde, son kullanıcılara öneriler sunmak için bunları üretime dağıtın. TensorFlow Serving, yüksek performanslı çıkarım için modellerinizi üretir. Makine öğrenimi modellerinin verimini en üst düzeye çıkarmayı amaçlar ve dağıtılmış sunum gerektiren büyük öneri modellerini destekleyebilir.
# 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]]}
Öneri motorlarının alma ve sıralama aşamalarını iyileştirin
Büyük ölçekli öneri sistemleri, en alakalı maddelerin, milyonlarca aday arasından etkin ve verimli bir şekilde geri alma ve sıralama aşamaları aracılığıyla belirlenmesini gerektirir. Önerileri iyileştirmek için TensorFlow Öneri Aracını son teknoloji Yaklaşık En Yakın Komşu (ANN) arama algoritmaları ve sıralamayı öğrenme (LTR) teknikleriyle tamamlayın.
ScanNN, ölçekte vektör benzerliği araması için bir kitaplıktır. En iyi adayların alınmasını hızlandırmak için asimetrik karma ve anizotropik niceleme gibi son teknoloji YSA tekniklerinden yararlanır.
TensorFlow Ranking, ölçeklenebilir, nöral LTR modelleri geliştirmeye yönelik bir kitaplıktır. Sıralama yardımcı programlarını en üst düzeye çıkarmak için aday öğeleri sıralamak için ek işlevler sağlar.
Model eğitimi ve çıkarım için büyük yerleştirmeleri optimize edin
Gömme arama işlemi, büyük ölçekli öneri sistemleri için kritik bir bileşendir. Büyük katıştırma tablolarında yaygın olan performans darboğazlarının üstesinden gelmek için donanım hızlandırma ve dinamik katıştırma teknolojisinden yararlanın.
TPUEmbedding katmanı API'si, Tensör İşleme Birimlerinde (TPU'lar) büyük katıştırma tablolarının eğitimini ve sunulmasını kolaylaştırır.
TensorFlow Tavsiye Edici Eklentileri, özellikle çevrimiçi öğrenme için yararlı olan dinamik yerleştirme teknolojisinden yararlanan, topluluk tarafından sağlanan bir projedir.
Kullanıcı gizliliğini koruyun
Geleneksel öneri motorları, kullanıcı etkileşimi günlüklerini toplamaya ve ham kullanıcı etkinliklerine dayalı eğitim öneri modellerine dayanır. Sorumlu yapay zeka geliştirme uygulamalarını dahil ederek kullanıcı verilerinin gizli kalmasını sağlayın.
TensorFlow Lite, tüm kullanıcı verilerini mobil cihazlarda tutarken düşük gecikmeli ve yüksek kaliteli öneriler sağlayan bir cihaz içi öneri çözümü sunar.
TensorFlow Federated, merkezi olmayan veriler üzerinde birleşik öğrenme ve diğer hesaplamalar için bir çerçevedir. Federe Yeniden Yapılandırma, matris çarpanlarına ayırmayı birleşik öğrenme ortamına getirir ve öneriler için kullanıcı gizliliğini daha iyi korur.
Daha sofistike tavsiyeler için gelişmiş teknikler kullanın
Klasik işbirlikçi filtreleme modelleri endüstride yaygın olarak kullanılırken, tavsiye sistemleri oluşturmak için takviyeli öğrenme ve Grafik Sinir Ağları (GNN'ler) gibi gelişmiş teknikleri benimseme yönünde artan bir eğilim var.
TensorFlow Agents Bandits, öneri motoru ayarında etkili bir şekilde keşfedip istismar edebilen kapsamlı bir haydut algoritmaları kitaplığıdır.
TensorFlow GNN, ağ yapılarına dayalı öğe önerilerini verimli bir şekilde kolaylaştırabilen ve alma ve sıralama modelleriyle birlikte kullanılabilen bir kitaplıktır.
Referans son teknoloji öneri modelleri
İyi bilinen bir modelin performansını karşılaştırmak veya kendi öneri modellerinizi oluşturmak için en iyi uygulamalar için NCF, DLRM ve DCN v2 gibi popüler modellerin resmi TensorFlow uygulamalarına göz atın.
Eğitim kaynakları
Adım adım ilerleyen kursları ve videoları izleyerek öneri sistemleri oluşturma hakkında daha fazla bilgi edinin.
Gerçek dünya öneri sistemleri
Her sektördeki uygulamaları destekleyen öneri sistemlerinin örneklerini ve vaka incelemelerini keşfedin.
YouTube'un güçlü öneri sistemini sorumlu bir şekilde nasıl oluşturduğunu öğrenin.
HarperDB'nin market ürünleri için iş birliğine dayalı filtrelemeye dayalı bir öneri sistemi oluşturmak için TensorFlow Öneri Aracını ve TensorFlow.js'yi nasıl kullandığını öğrenin.