Sistemi di raccomandazione
Dall'ordinazione di cibo ai video on demand, dallo streaming audio alla moda, i sistemi di raccomandazione alimentano alcune delle applicazioni più popolari oggi. Scopri come creare sistemi di consigli pronti per la produzione con librerie e strumenti open source dell'ecosistema TensorFlow.
I sistemi di consigli aumentano il coinvolgimento degli utenti all'interno della tua app e migliorano l'esperienza dell'utente fornendo i contenuti più desiderabili. I moderni sistemi di raccomandazione sono sistemi complessi che vengono spesso suddivisi in più fasi per ottenere una bassa latenza nella produzione. Attraverso le fasi di recupero, classificazione e potenzialmente post-classificazione, gli elementi irrilevanti vengono gradualmente filtrati da un ampio pool di candidati e viene infine presentato un elenco di opzioni con cui gli utenti hanno maggiori probabilità di interagire.
Inizia a creare con TensorFlow Recommenders , un framework facile da usare che facilita l'intero flusso di lavoro della creazione di un sistema di raccomandazione, dalla preparazione dei dati alla distribuzione.
Una volta terminato il training dei tuoi modelli, distribuiscili in produzione per fornire consigli agli utenti finali. TensorFlow Serving produce i tuoi modelli per un'inferenza ad alte prestazioni. Mira a massimizzare la produttività dei modelli di machine learning e può supportare modelli di raccomandazioni di grandi dimensioni che richiedono servizi distribuiti.
# 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]]}
Migliorare le fasi di recupero e classificazione dei motori di raccomandazione
I sistemi di raccomandazione su larga scala richiedono che gli elementi più rilevanti vengano determinati da milioni di candidati attraverso le fasi di reperimento e classificazione in modo efficace ed efficiente. Integra TensorFlow Recommenders con algoritmi di ricerca all'avanguardia del vicino approssimato più vicino (ANN) e tecniche di apprendimento per classificare (LTR) per migliorare le raccomandazioni.
ScaNN è una libreria per la ricerca di similarità vettoriale su larga scala. Sfrutta tecniche ANN all'avanguardia, come l'hashing asimmetrico e la quantizzazione anisotropa, per accelerare il recupero dei migliori candidati.
TensorFlow Ranking è una libreria per lo sviluppo di modelli LTR neurali scalabili. Fornisce funzionalità aggiuntive per classificare gli elementi candidati per massimizzare le utilità di classificazione.
Ottimizza gli incorporamenti di grandi dimensioni per l'addestramento e l'inferenza dei modelli
L'operazione di ricerca di incorporamento è un componente critico per i sistemi di raccomandazione su larga scala. Sfrutta l'accelerazione hardware e la tecnologia di incorporamento dinamico per superare i colli di bottiglia prestazionali comuni nelle tabelle di incorporamento di grandi dimensioni.
L'API del livello TPUEmbedding facilita l'addestramento e la fornitura di tabelle di incorporamento di grandi dimensioni sulle unità di elaborazione tensore (TPU).
TensorFlow Recommenders Addons è un progetto con il contributo della comunità che sfrutta la tecnologia di incorporamento dinamico particolarmente utile per l'apprendimento online.
Preservare la privacy dell'utente
I motori di raccomandazione tradizionali si basano sulla raccolta di registri di interazione dell'utente e su modelli di raccomandazione di formazione basati sulle attività grezze dell'utente. Garantire che i dati degli utenti rimangano privati incorporando pratiche di sviluppo dell’IA responsabile .
TensorFlow Lite fornisce una soluzione di consigli sul dispositivo che ottiene consigli a bassa latenza e di alta qualità, mantenendo tutti i dati utente sui dispositivi mobili.
TensorFlow Federated è un framework per l'apprendimento federato e altri calcoli su dati decentralizzati. La ricostruzione federata porta la fattorizzazione della matrice nell'ambiente di apprendimento federato e protegge meglio la privacy degli utenti per i consigli.
Utilizza tecniche avanzate per consiglieri più sofisticati
Sebbene i classici modelli di filtraggio collaborativo siano ampiamente utilizzati nel settore, vi è una tendenza crescente ad adottare tecniche avanzate, come l’apprendimento per rinforzo e le reti neurali a grafo (GNN), per costruire sistemi di raccomandazione.
TensorFlow Agents Bandits è una libreria completa di algoritmi Bandit in grado di esplorare e sfruttare in modo efficace l'impostazione del motore di raccomandazione.
TensorFlow GNN è una libreria che può facilitare in modo efficiente le raccomandazioni sugli articoli basate su strutture di rete e può essere utilizzata insieme a modelli di recupero e classificazione.
Scopri come utilizzare modelli linguistici di grandi dimensioni (LLM) come l'API PaLM per potenziare i tuoi sistemi di consigli.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/bg-diagram.png?hl=it)
Modelli di raccomandazione all'avanguardia di riferimento
Per confrontare le prestazioni di un modello noto o creare i tuoi modelli di consigli personalizzati, controlla le implementazioni ufficiali di TensorFlow di modelli popolari, come NCF, DLRM e DCN v2, per le migliori pratiche.
Risorse educative
Scopri di più sulla creazione di sistemi di consigli seguendo corsi e video passo passo.
![](https://www.tensorflow.org/static/site-assets/images/marketing/home/home-join-header.png?hl=it)
Sistemi di raccomandazione del mondo reale
Esplora esempi e casi di studio di sistemi di raccomandazione che alimentano le applicazioni in ogni settore.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-video-app.png?hl=it)
Scopri come YouTube crea il suo potente sistema di consigli in modo responsabile.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-digitac-galaxus.gif?hl=it)
Scopri come Digitec Galaxus forma e fornisce milioni di newsletter personalizzate a settimana con gli agenti TFX e TensorFlow.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/recsys-harperdb-tensorflow-js.jpeg?hl=it)
Scopri come HarperDB utilizza TensorFlow Recommenders e TensorFlow.js per creare un sistema di consigli basato su filtri collaborativi per gli articoli del negozio di alimentari.
![](https://www.tensorflow.org/static/site-assets/images/marketing/resources/recommendation-systems/spotify-tensorflow-agents-recommendations.png?hl=it)
Scopri come Spotify ha sfruttato l'ecosistema TensorFlow per progettare un simulatore offline estensibile e addestrare gli agenti RL a generare consigli sulle playlist.