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

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

TensorFlow TPUEmbedding

TPUEmbedding 层 API 有助于在张量处理单元 (TPU) 中训练和应用大型嵌入表。

TensorFlow Recommenders 插件

TensorFlow Recommenders 插件是一个由社区贡献的项目，利用了对在线学习特别有用的动态嵌入技术。

TensorFlow Lite 设备端推荐

TensorFlow Lite 提供了一种设备端推荐解决方案，可实现低延迟、高质量的推荐，同时将所有用户数据保存在移动设备上。

Federated Reconstruction 与 TensorFlow Federated

TensorFlow Federated 是一个可用于对分散式数据进行联邦学习和其他计算的框架。Federated Reconstruction 可将矩阵分解引入联邦学习设置，并且能够在推荐时更好地保护用户隐私。

TensorFlow Agents Bandits

TensorFlow Agents Bandits 是一个全面综合的老虎机算法库，可在推荐引擎设置中有效地进行探索和利用。

TensorFlow GNN 是一个库，不仅可基于网络结构高效协调项目推荐，还可与检索和排序模型结合使用。

了解如何使用 PaLM API 等大语言模型 (LLM) 来增强您的推荐系统。

参考先进的推荐模型

如需对知名模型进行性能基准测试或自行构建推荐模型，请参阅热门模型（例如 NCF、DLRM 和 DCN v2）的官方 TensorFlow 实现，以遵循最佳实践。

访问 TensorFlow Model Garden

课程

隆重推出推荐系统

视频系列

使用 TensorFlow 构建推荐系统

Codelab

构建全栈推荐系统

尝试学习 Codelab

了解 YouTube 如何以负责的方式自行构建功能强大的推荐系统。

了解 Digitec Galaxus 如何使用 TFX 和 TensorFlow Agents 训练模型，每周推送数百万份个性化简报。

了解 HarperDB 如何使用 TensorFlow.js 针对杂货店商品构建基于协同过滤的推荐系统。

了解 Spotify 如何利用 TensorFlow 生态系统设计出可扩展的离线模拟器，并训练 RL Agents 生成播放列表推荐。