Рекомендательные системы
От заказа еды до видео по запросу, потокового аудио и моды — системы рекомендаций лежат в основе некоторых из самых популярных сегодня приложений. Узнайте, как создавать готовые к использованию системы рекомендаций с помощью библиотек и инструментов с открытым исходным кодом из экосистемы TensorFlow.
Системы рекомендаций повышают вовлеченность пользователей в ваше приложение и повышают удобство работы пользователей, предоставляя наиболее желательный контент. Современные рекомендатели представляют собой сложные системы, которые часто разбиваются на несколько этапов для достижения низкой задержки в работе. На этапах поиска, ранжирования и, возможно, после ранжирования нерелевантные элементы постепенно отфильтровываются из большого пула кандидатов, и наконец представляется список опций, с которыми пользователи с наибольшей вероятностью будут взаимодействовать.
Начните создание с помощью TensorFlow Recommenders — простой в использовании платформы, которая упрощает весь рабочий процесс создания рекомендательной системы — от подготовки данных до развертывания.
Завершив обучение своих моделей, разверните их в рабочей среде, чтобы предоставлять рекомендации конечным пользователям. TensorFlow Serving создает ваши модели для высокопроизводительного вывода. Он направлен на максимизацию пропускной способности моделей машинного обучения и может поддерживать большие модели рекомендаций, требующие распределенного обслуживания.
# 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]]}
Улучшите этапы поиска и ранжирования рекомендательных систем.
Крупномасштабные системы рекомендаций требуют, чтобы наиболее релевантные элементы были определены среди миллионов кандидатов на этапах поиска и ранжирования эффективным и действенным образом. Дополните рекомендатели TensorFlow современными алгоритмами поиска приближенного ближайшего соседа (ANN) и методами обучения ранжированию (LTR) для улучшения рекомендаций.
ScaNN — это библиотека для масштабного поиска сходства векторов. Он использует самые современные методы ИНС, такие как асимметричное хеширование и анизотропное квантование, для ускорения поиска лучших кандидатов.
TensorFlow Ranking — это библиотека для разработки масштабируемых нейронных моделей LTR. Он предоставляет дополнительные функции для ранжирования элементов-кандидатов, чтобы максимизировать полезность ранжирования.
Оптимизация больших вложений для обучения модели и вывода
Операция поиска по внедрению является важнейшим компонентом крупномасштабных рекомендательных систем. Используйте аппаратное ускорение и технологию динамического внедрения, чтобы преодолеть узкие места производительности, характерные для больших таблиц внедрения.
API уровня TPUEmbedding облегчает обучение и обслуживание больших таблиц внедрения на тензорных процессорах (TPU).
TensorFlow Recommenders Addons — это проект сообщества, в котором используется технология динамического внедрения, которая особенно полезна для онлайн-обучения.
Сохраняйте конфиденциальность пользователей
Традиционные системы рекомендаций полагаются на сбор журналов взаимодействия с пользователем и обучение моделей рекомендаций, основанных на необработанных действиях пользователей. Обеспечьте конфиденциальность пользовательских данных, применяя методы ответственной разработки ИИ .
TensorFlow Lite предоставляет решение для рекомендаций на устройстве, которое обеспечивает минимальную задержку и высокое качество рекомендаций, сохраняя при этом все пользовательские данные на мобильных устройствах.
TensorFlow Federated — это платформа для федеративного обучения и других вычислений на децентрализованных данных. Федеративная реконструкция привносит матричную факторизацию в среду федеративного обучения и лучше защищает конфиденциальность пользователей при получении рекомендаций.
Используйте передовые методы для более опытных рекомендателей.
Хотя классические модели совместной фильтрации широко используются в отрасли, наблюдается растущая тенденция к использованию передовых методов, таких как обучение с подкреплением и нейронные сети графов (GNN), для создания систем рекомендаций.
TensorFlow Agents Bandits — это комплексная библиотека бандитских алгоритмов, которые можно эффективно исследовать и использовать в настройках механизма рекомендаций.
TensorFlow GNN — это библиотека, которая может эффективно предоставлять рекомендации по элементам на основе сетевых структур и использоваться в сочетании с моделями поиска и ранжирования.
Узнайте, как использовать большие языковые модели (LLM), такие как PaLM API, для расширения ваших систем рекомендаций.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/bg-diagram.png?authuser=9&hl=ru)
Эталонные современные модели рекомендаций
Чтобы оценить производительность известной модели или создать свои собственные рекомендательные модели, ознакомьтесь с официальными реализациями популярных моделей TensorFlow, таких как NCF, DLRM и DCN v2, для получения лучших практик.
Образовательные ресурсы
Узнайте больше о создании систем рекомендаций, прочитав пошаговые курсы и видеоролики.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/home/home-join-header.png?authuser=9&hl=ru)
Реальные системы рекомендаций
Изучите примеры и тематические исследования систем рекомендаций, используемых в приложениях в каждой отрасли.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-video-app.png?authuser=9&hl=ru)
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-digitac-galaxus.gif?authuser=9&hl=ru)
Узнайте, как компания Digitec Galaxus обучает и обслуживает миллионы персонализированных информационных бюллетеней в неделю с помощью агентов TFX и TensorFlow.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/recsys-harperdb-tensorflow-js.jpeg?authuser=9&hl=ru)
Узнайте, как HarperDB использует рекомендации TensorFlow и TensorFlow.js для создания системы рекомендаций на основе совместной фильтрации для товаров в продуктовом магазине.
![](https://tensorflow.google.cn/static/site-assets/images/marketing/resources/recommendation-systems/spotify-tensorflow-agents-recommendations.png?authuser=9&hl=ru)
Узнайте, как Spotify использовал экосистему TensorFlow для разработки расширяемого автономного симулятора и обучения агентов RL генерированию рекомендаций по спискам воспроизведения.