Hadiri KTT Pengembang Sistem Rekomendasi pada 9 Juni Daftar sekarang

Sistem rekomendasi

Dari pemesanan makanan hingga video sesuai permintaan 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, peringkat, dan kemungkinan pasca-peringkat, item yang tidak relevan secara bertahap disaring dari kumpulan besar kandidat dan daftar opsi yang paling mungkin berinteraksi dengan pengguna akhirnya disajikan.

Mulailah mem-build dengan TensorFlow Recommenders , framework yang mudah digunakan yang memfasilitasi alur kerja penuh untuk mem-build sistem pemberi rekomendasi mulai dari persiapan data hingga penerapan.

Setelah 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. 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]]}
kode_blok
Pelajari cara mem-build dan men-deploy sistem rekomendasi full stack dengan TensorFlow

Tingkatkan tahap pengambilan dan pemeringkatan mesin rekomendasi

Sistem rekomendasi skala besar membutuhkan item yang paling relevan untuk ditentukan dari jutaan kandidat melalui tahap pengambilan dan pemeringkatan secara efektif dan efisien. Lengkapi TensorFlow Recommenders dengan algoritma pencarian Approximate Nearest Neighbor (ANN) yang canggih dan teknik learning-to-rank (LTR) untuk meningkatkan rekomendasi.

Google ScanNN

ScaNN adalah perpustakaan untuk pencarian kesamaan vektor dalam skala besar. Ini memanfaatkan teknik ANN canggih, seperti hashing asimetris dan kuantisasi anisotropik, untuk mempercepat pengambilan kandidat teratas.

Peringkat TensorFlow

TensorFlow Ranking adalah library untuk mengembangkan model LTR neural yang dapat diskalakan. Ini memberikan fungsionalitas tambahan untuk menentukan peringkat item kandidat untuk memaksimalkan utilitas peringkat.

Optimalkan penyematan besar untuk pelatihan model dan inferensi

Operasi pencarian penyematan merupakan komponen penting untuk sistem rekomendasi berskala besar. Manfaatkan akselerasi perangkat keras dan teknologi penyematan dinamis untuk mengatasi kemacetan kinerja yang umum terjadi pada tabel penyematan besar.

Penyematan TensorFlow TPU

API lapisan TPUEmbedding memfasilitasi pelatihan dan menyajikan tabel penyematan besar pada Unit Pemrosesan Tensor (TPU).

Addon Rekomendasi TensorFlow

TensorFlow Recommenders Addons adalah proyek kontribusi komunitas yang memanfaatkan teknologi penyematan dinamis yang sangat berguna untuk pembelajaran online.

Menjaga privasi pengguna

Mesin rekomendasi tradisional mengandalkan pengumpulan log interaksi pengguna dan model rekomendasi pelatihan berdasarkan aktivitas pengguna mentah. Pastikan bahwa data pengguna tetap bersifat pribadi dengan menerapkan praktik pengembangan AI yang Bertanggung Jawab .

Rekomendasi pada perangkat TensorFlow Lite

TensorFlow Lite memberikan solusi rekomendasi pada perangkat yang mencapai rekomendasi latensi rendah dan berkualitas tinggi, sekaligus menyimpan semua data pengguna di perangkat seluler.

Rekonstruksi Federasi dengan Federasi TensorFlow

TensorFlow Federated adalah framework untuk federated learning dan komputasi lain pada data terdesentralisasi. Rekonstruksi Federasi membawa faktorisasi matriks ke pengaturan pembelajaran federasi dan melindungi privasi pengguna dengan lebih baik untuk rekomendasi.

Gunakan teknik lanjutan untuk pemberi rekomendasi yang lebih canggih

Sementara model pemfilteran kolaboratif klasik banyak digunakan di industri, ada tren yang berkembang untuk mengadopsi teknik lanjutan, seperti pembelajaran penguatan dan Jaringan Neural Grafik (GNN), untuk membangun sistem rekomendasi.

Bandit Agen TensorFlow

TensorFlow Agents Bandits adalah library lengkap algoritme bandit yang dapat mengeksplorasi dan mengeksploitasi secara efektif dalam pengaturan mesin rekomendasi.

TensorFlow GNN

TensorFlow GNN adalah library yang dapat secara efisien memfasilitasi rekomendasi item berdasarkan struktur jaringan dan digunakan bersama dengan model pengambilan dan pemeringkatan.

Referensi model rekomendasi canggih

Untuk membandingkan performa model terkenal atau membuat model rekomendasi Anda sendiri, lihat implementasi resmi TensorFlow dari model populer – seperti NCF, DLRM, dan DCN v2 – untuk praktik terbaik.

Sumber daya pendidikan

Pelajari lebih lanjut tentang membangun sistem rekomendasi dengan mengikuti kursus dan video langkah demi langkah.

Sistem rekomendasi dunia nyata

Jelajahi contoh dan studi kasus sistem rekomendasi yang mendukung aplikasi di setiap industri.

Video daring

Pelajari cara YouTube membuat sistem rekomendasi yang kuat dengan cara yang bertanggung jawab.

Perdagangan elektronik

Baca tentang bagaimana Digitec Galaxus melatih dan melayani jutaan buletin yang dipersonalisasi per minggu dengan Agen TFX dan TensorFlow.

Kebutuhan sehari-hari

Pelajari cara HarperDB menggunakan TensorFlow Recommenders dan TensorFlow.js untuk membangun sistem rekomendasi berbasis pemfilteran kolaboratif untuk item toko bahan makanan.