Sistem rekomendasi
Dari pemesanan makanan hingga video on demand dan streaming audio hingga mode, sistem rekomendasi mendukung beberapa aplikasi paling populer saat ini. Jelajahi bagaimana Anda dapat membangun sistem rekomendasi siap produksi dengan pustaka dan alat open source dari ekosistem TensorFlow.
Sistem rekomendasi meningkatkan keterlibatan pengguna dalam aplikasi Anda dan meningkatkan pengalaman pengguna dengan menyediakan konten yang paling diinginkan. Pemberi rekomendasi modern adalah sistem kompleks yang sering dipecah menjadi beberapa tahap untuk mencapai latensi rendah dalam produksi. Melalui tahap pengambilan, pemeringkatan, dan kemungkinan pasca pemeringkatan, item yang tidak relevan secara bertahap disaring dari sejumlah besar kandidat dan daftar opsi yang paling mungkin berinteraksi dengan pengguna akhirnya disajikan.
Mulailah membangun dengan TensorFlow Rekomendasi , kerangka kerja yang mudah digunakan yang memfasilitasi alur kerja penuh dalam membangun sistem pemberi rekomendasi mulai dari persiapan data hingga penerapan.
Setelah Anda selesai melatih model Anda, terapkan model tersebut ke dalam produksi untuk memberikan rekomendasi kepada pengguna akhir. TensorFlow Serving memproduksi model Anda untuk inferensi performa tinggi. Hal ini bertujuan untuk memaksimalkan throughput model pembelajaran mesin dan dapat mendukung model rekomendasi besar yang memerlukan penyajian terdistribusi.
# 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]]}
Meningkatkan tahap pengambilan dan pemeringkatan mesin rekomendasi
Sistem rekomendasi berskala besar mengharuskan item yang paling relevan ditentukan dari jutaan kandidat melalui tahap pengambilan dan pemeringkatan secara efektif dan efisien. Lengkapi Pemberi Rekomendasi TensorFlow dengan algoritme penelusuran Approximate Nearest Neighbor (ANN) yang canggih dan teknik learning-to-rank (LTR) untuk meningkatkan rekomendasi.
ScaNN adalah perpustakaan untuk pencarian kesamaan vektor dalam skala besar. Ini memanfaatkan teknik ANN yang canggih, seperti hashing asimetris dan kuantisasi anisotropik, untuk mempercepat pengambilan kandidat teratas.
TensorFlow Ranking adalah perpustakaan untuk mengembangkan model LTR neural yang skalabel. Ini memberikan fungsionalitas tambahan untuk menentukan peringkat item kandidat guna memaksimalkan utilitas peringkat.
Optimalkan penyematan besar untuk pelatihan dan inferensi model
Operasi pencarian penyematan merupakan komponen penting untuk sistem rekomendasi berskala besar. Manfaatkan akselerasi perangkat keras dan teknologi penyematan dinamis untuk mengatasi hambatan kinerja yang umum terjadi pada tabel penyematan besar.
API lapisan TPUEmbedding memfasilitasi pelatihan dan penyajian tabel penyematan besar di Tensor Processing Unit (TPU).
Addons Rekomendasi TensorFlow adalah proyek kontribusi komunitas yang memanfaatkan teknologi penyematan dinamis yang sangat berguna untuk pembelajaran online.
Jaga privasi pengguna
Mesin rekomendasi tradisional mengandalkan pengumpulan log interaksi pengguna dan model rekomendasi pelatihan berdasarkan aktivitas pengguna mentah. Pastikan data pengguna tetap bersifat pribadi dengan menerapkan praktik pengembangan AI yang Bertanggung Jawab .
TensorFlow Lite memberikan solusi rekomendasi pada perangkat yang menghasilkan rekomendasi latensi rendah dan berkualitas tinggi, sekaligus menyimpan semua data pengguna di perangkat seluler.
TensorFlow Federated adalah kerangka kerja untuk pembelajaran gabungan dan komputasi lain pada data terdesentralisasi. Rekonstruksi Terfederasi menghadirkan faktorisasi matriks ke pengaturan pembelajaran terfederasi dan melindungi privasi pengguna dengan lebih baik untuk mendapatkan rekomendasi.
Gunakan teknik tingkat lanjut untuk pemberi rekomendasi yang lebih canggih
Meskipun model pemfilteran kolaboratif klasik banyak digunakan di industri, ada tren yang berkembang untuk mengadopsi teknik-teknik canggih, seperti pembelajaran penguatan dan Graph Neural Networks (GNNs), untuk membangun sistem rekomendasi.
TensorFlow Agents Bandits adalah perpustakaan algoritma bandit yang komprehensif yang dapat mengeksplorasi dan mengeksploitasi secara efektif dalam pengaturan mesin rekomendasi.
TensorFlow GNN adalah perpustakaan yang secara efisien dapat memfasilitasi rekomendasi item berdasarkan struktur jaringan dan digunakan bersama dengan model pengambilan dan pemeringkatan.
Pelajari cara menggunakan model bahasa besar (LLM) seperti PaLM API untuk meningkatkan sistem rekomendasi Anda.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/bg-diagram.png?authuser=9&hl=id)
Referensi model rekomendasi yang canggih
Untuk mengukur performa model terkenal atau membuat model rekomendasi Anda sendiri, lihat implementasi resmi TensorFlow pada model populer – seperti NCF, DLRM, dan DCN v2 – untuk mengetahui praktik terbaik.
Sumber daya pendidikan
Pelajari lebih lanjut cara membangun sistem rekomendasi dengan mengikuti kursus dan video langkah demi langkah.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/home/home-join-header.png?authuser=9&hl=id)
Sistem rekomendasi dunia nyata
Jelajahi contoh dan studi kasus sistem rekomendasi yang mendukung aplikasi di setiap industri.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-video-app.png?authuser=9&hl=id)
Pelajari cara YouTube membangun sistem rekomendasi canggihnya dengan cara yang bertanggung jawab.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-digitac-galaxus.gif?authuser=9&hl=id)
Baca tentang cara Digitec Galaxus melatih dan menyajikan jutaan buletin yang dipersonalisasi per minggu dengan Agen TFX dan TensorFlow.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-harperdb-tensorflow-js.jpeg?authuser=9&hl=id)
Pelajari cara HarperDB menggunakan Rekomendasi TensorFlow dan TensorFlow.js untuk membangun sistem rekomendasi berbasis pemfilteran kolaboratif untuk item toko bahan makanan.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/spotify-tensorflow-agents-recommendations.png?authuser=9&hl=id)
Pelajari cara Spotify memanfaatkan ekosistem TensorFlow untuk merancang simulator offline yang dapat diperluas dan melatih Agen RL untuk menghasilkan rekomendasi playlist.