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]]}
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.
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.
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.
API lapisan TPUEmbedding memfasilitasi pelatihan dan menyajikan tabel penyematan besar pada Unit Pemrosesan Tensor (TPU).
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 .
TensorFlow Lite memberikan solusi rekomendasi pada perangkat yang mencapai rekomendasi latensi rendah dan berkualitas tinggi, sekaligus menyimpan semua data pengguna di perangkat seluler.
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.
TensorFlow Agents Bandits adalah library lengkap algoritme bandit yang dapat mengeksplorasi dan mengeksploitasi secara efektif dalam pengaturan mesin rekomendasi.
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.
Pelajari cara YouTube membuat sistem rekomendasi yang kuat dengan cara yang bertanggung jawab.
Baca tentang bagaimana Digitec Galaxus melatih dan melayani jutaan buletin yang dipersonalisasi per minggu dengan Agen TFX dan TensorFlow.
Pelajari cara HarperDB menggunakan TensorFlow Recommenders dan TensorFlow.js untuk membangun sistem rekomendasi berbasis pemfilteran kolaboratif untuk item toko bahan makanan.