Öneri sistemleri
Yemek siparişinden isteğe bağlı videoya ve ses akışından modaya kadar öneri sistemleri günümüzün en popüler uygulamalarından bazılarına güç veriyor. TensorFlow ekosistemindeki açık kaynak kitaplıkları ve araçlarıyla üretime hazır öneri sistemlerini nasıl oluşturabileceğinizi keşfedin.
Öneri sistemleri, uygulamanızdaki kullanıcı etkileşimini artırır ve en çok arzu edilen içeriği sağlayarak kullanıcı deneyimini geliştirir. Modern öneriler, üretimde düşük gecikme süresi elde etmek için genellikle birden fazla aşamaya ayrılan karmaşık sistemlerdir. Alma, sıralama ve potansiyel olarak sıralama sonrası aşamalar yoluyla, ilgisiz öğeler yavaş yavaş geniş bir aday havuzundan filtrelenir ve kullanıcıların etkileşime girme olasılığı en yüksek olan seçeneklerin bir listesi en sonunda sunulur.
Veri hazırlamadan dağıtıma kadar bir öneri sistemi oluşturmanın tüm iş akışını kolaylaştıran, kullanımı kolay bir çerçeve olan TensorFlow Recommenders ile oluşturmaya başlayın.
Modellerinizi eğitmeyi tamamladığınızda, son kullanıcılara öneriler sunmak için bunları üretime dağıtın. TensorFlow Serving, modellerinizi yüksek performanslı çıkarım için üretir. Makine öğrenimi modellerinin verimini en üst düzeye çıkarmayı amaçlar ve dağıtılmış hizmet gerektiren büyük öneri modellerini destekleyebilir.
# 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]]}
Öneri motorlarının alma ve sıralama aşamalarını iyileştirin
Büyük ölçekli öneri sistemleri, milyonlarca aday arasından en uygun öğelerin, erişim ve sıralama aşamaları yoluyla etkili ve verimli bir şekilde belirlenmesini gerektirir. Önerileri geliştirmek için TensorFlow Önericilerini son teknoloji ürünü Yaklaşık En Yakın Komşu (ANN) arama algoritmaları ve sıralamayı öğrenme (LTR) teknikleriyle tamamlayın.
ScaNN, ölçekte vektör benzerliği aramaya yönelik bir kütüphanedir. En iyi adayların alınmasını hızlandırmak için asimetrik karma ve anizotropik nicemleme gibi son teknoloji ürünü YSA tekniklerinden yararlanır.
TensorFlow Ranking, ölçeklenebilir, sinirsel LTR modelleri geliştirmeye yönelik bir kitaplıktır. Sıralama yardımcı programlarını en üst düzeye çıkarmak amacıyla aday öğeleri sıralamak için ek işlevler sağlar.
Model eğitimi ve çıkarımı için büyük yerleştirmeleri optimize edin
Gömme arama işlemi, büyük ölçekli öneri sistemleri için kritik bir bileşendir. Büyük yerleştirme tablolarında yaygın olarak görülen performans darboğazlarının üstesinden gelmek için donanım hızlandırma ve dinamik yerleştirme teknolojisinden yararlanın.
TPUEmbeddding katmanı API'si, Tensör İşleme Birimleri (TPU'lar) üzerinde eğitim ve büyük yerleştirme tablolarının sunulmasını kolaylaştırır.
TensorFlow Recommenders Addons, özellikle çevrimiçi öğrenme için yararlı olan dinamik yerleştirme teknolojisinden yararlanan, topluluğun katkıda bulunduğu bir projedir.
Kullanıcı gizliliğini koruyun
Geleneksel öneri motorları, kullanıcı etkileşimi günlüklerinin toplanmasına ve ham kullanıcı etkinliklerine dayalı eğitim öneri modellerine dayanır. Sorumlu yapay zeka geliştirme uygulamalarını birleştirerek kullanıcı verilerinin gizli kalmasını sağlayın.
TensorFlow Lite, tüm kullanıcı verilerini mobil cihazlarda tutarken düşük gecikme süreli ve yüksek kaliteli öneriler sağlayan bir cihaz üzeri öneri çözümü sağlar.
TensorFlow Federated, birleşik öğrenme ve merkezi olmayan veriler üzerindeki diğer hesaplamalar için bir çerçevedir. Birleşik Yeniden Yapılanma, birleşik öğrenme ortamına matris faktörizasyonunu getirir ve öneriler için kullanıcı gizliliğini daha iyi korur.
Daha sofistike tavsiyeciler için gelişmiş teknikleri kullanın
Klasik işbirlikçi filtreleme modelleri sektörde yaygın olarak kullanılırken, öneri sistemleri oluşturmak için takviyeli öğrenme ve Grafik Sinir Ağları (GNN'ler) gibi gelişmiş teknikleri benimseme yönünde büyüyen bir eğilim var.
TensorFlow Agents Bandits, öneri motoru ayarında etkili bir şekilde keşfedip yararlanabilen kapsamlı bir haydut algoritmaları kitaplığıdır.
TensorFlow GNN, ağ yapılarına dayalı öğe önerilerini verimli bir şekilde kolaylaştırabilen ve alma ve sıralama modelleriyle birlikte kullanılabilen bir kitaplıktır.
Öneri sistemlerinizi geliştirmek için PaLM API gibi büyük dil modellerini (LLM'ler) nasıl kullanacağınızı öğrenin.
Referans son teknoloji öneri modelleri
Tanınmış bir modelin performansını kıyaslamak veya kendi öneri modellerinizi oluşturmak için en iyi uygulamalar için NCF, DLRM ve DCN v2 gibi popüler modellerin resmi TensorFlow uygulamalarına göz atın.
Eğitim kaynakları
Adım adım kurslar ve videoları takip ederek öneri sistemleri oluşturma hakkında daha fazla bilgi edinin.
Gerçek dünya öneri sistemleri
Her sektördeki uygulamaları destekleyen öneri sistemlerinin örneklerini ve örnek olay incelemelerini keşfedin.
YouTube'un güçlü öneri sistemini sorumlu bir şekilde nasıl oluşturduğunu öğrenin.
Digitec Galaxus'un TFX ve TensorFlow Agent'larla haftada milyonlarca kişiselleştirilmiş haber bültenini nasıl eğitip sunduğunu öğrenin.
HarperDB'nin market ürünleri için işbirlikçi filtrelemeye dayalı bir öneri sistemi oluşturmak amacıyla TensorFlow Öneri Araçlarını ve TensorFlow.js'yi nasıl kullandığını öğrenin.
Spotify'ın genişletilebilir bir çevrimdışı simülatör tasarlamak ve çalma listesi önerileri oluşturmak üzere RL Temsilcilerini eğitmek için TensorFlow ekosisteminden nasıl yararlandığını öğrenin.