أنظمة التوصية

من طلب الطعام إلى الفيديو عند الطلب وتدفق الصوت إلى الموضة ، تعمل أنظمة التوصية على تشغيل بعض التطبيقات الأكثر شيوعًا اليوم. اكتشف كيف يمكنك بناء أنظمة توصية جاهزة للإنتاج مع مكتبات وأدوات مفتوحة المصدر من نظام TensorFlow البيئي.

تعمل أنظمة التوصيات على زيادة تفاعل المستخدم داخل تطبيقك وتحسين تجربة المستخدم من خلال توفير المحتوى المرغوب فيه. الموصيون الحديثون هم أنظمة معقدة غالبًا ما يتم تقسيمها إلى مراحل متعددة لتحقيق زمن انتقال منخفض في الإنتاج. من خلال الاسترجاع ، والترتيب ، ومراحل ما بعد الترتيب المحتملة ، يتم تصفية العناصر غير ذات الصلة تدريجيًا من مجموعة كبيرة من المرشحين ، ويتم أخيرًا تقديم قائمة بالخيارات التي من المرجح أن يتفاعل معها المستخدمون.

ابدأ البناء باستخدام TensorFlow ، وهو إطار عمل سهل الاستخدام يسهل سير العمل الكامل لبناء نظام التوصية من إعداد البيانات إلى النشر.

عندما تنتهي من تدريب نماذجك ، انشرها في الإنتاج لتقديم التوصيات للمستخدمين النهائيين. تنتج خدمة TensorFlow النماذج الخاصة بك للاستدلال عالي الأداء. يهدف إلى تعظيم إنتاجية نماذج التعلم الآلي ويمكن أن يدعم نماذج التوصية الكبيرة التي تتطلب خدمة موزعة.

# 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
تعرف على كيفية إنشاء ونشر نظام توصية مكدس كامل باستخدام TensorFlow

تحسين مراحل الاسترجاع والترتيب لمحركات التوصية

تتطلب أنظمة التوصية واسعة النطاق تحديد العناصر الأكثر صلة من ملايين المرشحين من خلال مراحل الاسترجاع والتصنيف بطريقة فعالة وفعالة. استكمل توصيات TensorFlow بأحدث خوارزميات البحث التقريبية لأقرب الجيران (ANN) وتقنيات التعلم إلى الترتيب (LTR) لتحسين التوصيات.

جوجل ScaNN

ScaNN هي مكتبة لبحث تشابه المتجهات على نطاق واسع. إنها تستفيد من أحدث تقنيات الشبكات العصبية الاصطناعية ، مثل التجزئة غير المتماثلة والتكميم متباين الخواص ، لتسريع استرجاع أفضل المرشحين.

ترتيب TensorFlow

ترتيب TensorFlow عبارة عن مكتبة لتطوير نماذج LTR عصبية قابلة للتطوير. يوفر وظائف إضافية لترتيب العناصر المرشحة لتعظيم أدوات التصنيف المساعدة.

تحسين حفلات الزفاف الكبيرة للتدريب والاستدلال

تعتبر عملية بحث التضمين مكونًا مهمًا لأنظمة التوصية واسعة النطاق. استفد من تسريع الأجهزة وتقنية التضمين الديناميكي للتغلب على اختناقات الأداء الشائعة في جداول التضمين الكبيرة.

TensorFlow TPUE غرفة نوم

تسهل واجهة برمجة تطبيقات طبقة TPUEmbedding تدريب جداول التضمين الكبيرة وتقديمها على وحدات معالجة Tensor (TPUs).

إضافات توصيات TensorFlow

برنامج TensorFlow الموصون بملحقات TensorFlow هو مشروع يساهم فيه المجتمع ويستفيد من تقنية التضمين الديناميكية التي تعد مفيدة بشكل خاص للتعلم عبر الإنترنت.

الحفاظ على خصوصية المستخدم

تعتمد محركات التوصية التقليدية على جمع سجلات تفاعل المستخدم ونماذج توصية التدريب بناءً على أنشطة المستخدم الأولية. تأكد من أن بيانات المستخدم تظل خاصة من خلال دمج ممارسات تطوير الذكاء الاصطناعي المسؤولة .

توصية TensorFlow Lite على الجهاز

يوفر TensorFlow Lite حلاً للتوصية على الجهاز يحقق توصيات منخفضة زمن الوصول وعالية الجودة ، مع الاحتفاظ بجميع بيانات المستخدم على الأجهزة المحمولة.

إعادة الإعمار الموحدة باستخدام اتحاد TensorFlow

TensorFlow Federated هو إطار عمل للتعلم الفيدرالي وحسابات أخرى على البيانات اللامركزية. يجلب إعادة البناء الموحد عامل المصفوفة إلى إعداد التعلم الموحد ويحمي خصوصية المستخدم بشكل أفضل للتوصيات.

استخدم تقنيات متقدمة لمرشحين أكثر تطوراً

بينما تُستخدم نماذج التصفية التعاونية الكلاسيكية على نطاق واسع في الصناعة ، هناك اتجاه متزايد لاعتماد تقنيات متقدمة ، مثل التعلم المعزز والشبكات العصبية للرسم البياني (GNNs) ، لبناء أنظمة التوصية.

وكلاء TensorFlow قطاع الطرق

تعد TensorFlow Agents Bandits مكتبة شاملة من خوارزميات ماكينات الحظ التي يمكنها الاستكشاف والاستغلال بفعالية في إعداد محرك التوصية.

TensorFlow GNN

TensorFlow GNN عبارة عن مكتبة يمكنها تسهيل توصيات العناصر بكفاءة بناءً على هياكل الشبكة واستخدامها جنبًا إلى جنب مع نماذج الاسترجاع والترتيب.

الذكاء الاصطناعي التوليدي

تعرف على كيفية استخدام نماذج اللغات الكبيرة (LLMs) مثل PaLM API لزيادة أنظمة التوصيات الخاصة بك.

نماذج توصية مرجعية للدولة من بين الفن

لقياس أداء نموذج مشهور أو إنشاء نماذج توصية خاصة بك ، تحقق من تطبيقات TensorFlow الرسمية للنماذج الشائعة - مثل NCF و DLRM و DCN v2 - للحصول على أفضل الممارسات.

أحداث غير متوقعة

تعرف على المزيد حول بناء أنظمة التوصية باتباع الدورات التدريبية ومقاطع الفيديو خطوة بخطوة.

أنظمة التوصية في العالم الحقيقي

استكشف الأمثلة ودراسات الحالة لأنظمة التوصية التي تعمل على تشغيل التطبيقات في كل صناعة.

فيديو عبر الإنترنت

تعرف على كيفية إنشاء YouTube لنظام التوصيات الفعال الخاص به بطريقة مسؤولة.

التجارة الإلكترونية

اقرأ عن كيفية قيام Digitec Galaxus بتدريب الملايين من الرسائل الإخبارية الشخصية وتقديمها أسبوعيًا مع وكلاء TFX و TensorFlow.

خضروات

تعرف على كيفية استخدام HarperDB لمرشحي TensorFlow و TensorFlow.js لبناء نظام توصية قائم على التصفية التعاونية لعناصر متجر البقالة.

تدفق الصوت

قم بتنفيذ سير عمل استرداد المرشح باستخدام Vertex AI Matching Engine لإنشاء نظام توصية قائمة التشغيل باستخدام مجموعة بيانات Spotify Million Playlist.