原标题：TensorFlow Recommenders 现已开源，让选举体系更上一层楼！

文 / Maciej Kula 和 James Chen，Google Brain

选举体系是机器学习的一大重要行使，能够按照用户偏益推送相关内容，比如选举电影、餐厅、搭配时装细软或筛选媒体新闻流等。

Google 以前几年一向在追求新的深度学习技术，力求经过结相符众义务学习、 深化学习、挑取 更益的用户外征和构建 公平性指标挑供更益的选举。这些全力和其他方面的挺进大幅改善了吾们的选举奏效。

今天，吾们幸运地推出 TensorFlow Recommenders (TFRS)，这款开源 TensorFlow 柔件包可简化构建、评估和行使复杂的选举模型。

TensorFlow Recommenders (TFRS) https://tensorflow.google.cn/recommenders

TFRS 行使 TensorFlow 2.x 构建，有助于：

构建和评估变通的 Candidate Nomination Model；

将条现在、用户和上下文 新闻解放整相符到选举模型；

训练可说相符优化众个选举现在标的 众义务模型；

用 TensorFlow Serving 高效行使生成的模型。

TFRS 基于 TensorFlow 2.x 和 Keras，相等易于上手，在采用模块化设计的同时（您能够自定义每个层和评价指标），照样构成了一个强有力的团体（各个组件能够良益配相符）。在 TFRS 的设计过程中，吾们一向强调变通性和易用性：相符理的默认设立、直不悦目易走的常见义务以及更复杂或自定义的选举义务。

TensorFlow Recommenders 现已在 GitHub上开源。吾们的现在标是让其一向发展，能够变通地进走学术钻研，并以高度可扩展的手段构建全网选举体系。吾们还计划在众义务学习、特征交叉建模、自监督学习和最前沿 (SOTA) 近似最邻近计算 方面扩展其功能。

GitHub https://github.com/tensorflow/recommenders

示例：构建电影选举工具

让吾们先用一个轻易示例表现 TensorFlow Recommenders 的行使手段。最先，行使 pip 安置 TFRS：

!pip install tensorflow_recommenders

然后，吾们能够行使 MovieLens 数据集训练一个轻易的电影选举模型。数据集所含新闻包括用户不雅旁观了哪些电影以及用户对该电影的评分。

吾们将行使这一数据集构建模型，展看用户已不雅旁观和未不雅旁观的电影。此类义务清淡选择 双塔模型：一个具有两个子模型的神经网络，别离学习 query 和 candidate 的外征。给定的 query-candidate 对的得分 (score) 只是这两个塔的输出的点积。

这个模型架构相等变通。query 塔的输入能够是：用户 ID、搜索关键词或时间戳；对于 candidate 侧则有：电影片名、描述、梗概、主演名单。

在此示例中，吾们在 query 塔仅行行使户 ID，在 candidate 塔仅行使电影片名。

吾们先来准备数据。数据可从 TensorFlow Datasets获取。

importtensorflow astf

importtensorflow_datasets astfds

importtensorflow_recommenders astfrs

# Ratings data.

ratings = tfds.load( "movie_lens/100k-ratings", split= "train")

# Features of all the available movies.

movies = tfds.load( "movie_lens/100k-movies", split= "train")

在数据集的一切可用特征中，最实用的是用户 ID 和电影片名。固然 TFRS 有众栽可选特征，但为轻易首见，吾们只行使这两项。

ratings = ratings.map( lambdax: {

"movie_title": x[ "movie_title"],

"user_id": x[ "user_id"],

})

movies = movies.map( lambdax: x[ "movie_title"])

只行行使户 ID 和电影片名时，吾们轻易的双塔模型与典型的矩阵分解模型专门相通。吾们必要行使以下内容进走构建：

一个用户塔，将用户 ID 转换为用户 embedding 向量（高维向量外示）。

一个电影塔，将电影片名转换为电影 embedding 向量。

一个亏损函数，对于不雅旁观走为，最大化展看用户与电影的匹配度，而未不雅旁观的走为进走最幼化。

TFRS 和 Keras 为实现这一现在标挑供了大量基本模块。吾们能够从创建模型类最先。在 __init__ 手段中，吾们设立一些超参数以及模型的重要组件。

classTwoTowerMovielensModel(tfrs.Model):

"""MovieLens prediction model."""

def__init__(self):

# The `__init__` method sets up the model architecture.

super.__init__

# How large the representation vectors are for inputs: larger vectors make

# for a more expressive model but may cause over-fitting.

embedding_dim = 32

num_unique_users = 1000

num_unique_movies = 1700

eval_batch_size = 128

第一个重要组件是用户模型：一组描述如何将原首用户特征转换为数字化用户外征的层。吾们在这边行使 Keras 预处理层将用户 ID 转换为整数索引，然后将其映射到学习的 embedding 向量：

# Set up user and movie representations.

self.user_model = tf.keras.Sequential([

# We first turn the raw user ids into contiguous integers by looking them

# up in a vocabulary.

tf.keras.layers.experimental.preprocessing.StringLookup(

max_tokens=num_unique_users),

# We then map the result into embedding vectors.

tf.keras.layers.Embedding(num_unique_users, embedding_dim)

])

电影模型看首来很相通，能够将电影片名转换为 embedding 向量：

self.movie_model = tf.keras.Sequential([

tf.keras.layers.experimental.preprocessing.StringLookup(

max_tokens=num_unique_movies),

tf.keras.layers.Embedding(num_unique_movies, embedding_dim)

])

得到用户和电影模型后，就必要定义吾们的现在标和它的评估指标了。在 TFRS 中，能够经过 Retrieval 义务完善这一点（行使 in-batch softmax loss）：

# The `Task` objects has two purposes: (1) it computes the loss and (2)

# keeps track of metrics.

self.task = tfrs.tasks.Retrieval(

# In this case, our metrics are top-k metrics: given a user and a known

# watched movie, how highly would the model rank the true movie out of

# all possible movies?

metrics=tfrs.metrics.FactorizedTopK(

candidates=movies.batch(eval_batch_size).map(self.movie_model)

)

)

吾们行使 compute_loss 手段查看模型的训练过程：

defcompute_loss(self, features, training=False):

# The `compute_loss` method determines how loss is computed.

# Compute user and item embeddings.

user_embeddings = self.user_model(features[ "user_id"])

movie_embeddings = self.movie_model(features[ "movie_title"])

# Pass them into the task to get the resulting loss. The lower the loss is, the

# better the model is at telling apart true watches from watches that did

# not happen in the training data.

returnself.task(user_embeddings, movie_embeddings)

吾们能够调用 Keras 的 fit 拟相符此模型：

model = MovielensModel

model.compile(optimizer=tf.keras.optimizers.Adagrad( 0.1))

model.fit(ratings.batch( 4096), verbose= False)

要对模型的选举进走 Sanity-Check（相符理性检验），吾们能够行使 TFRS BruteForce 层。BruteForce 层以预先计算益的 candidate 的外征进走排序，批准吾们对一切能够的 candidate 计算其所在 query-candidate 对的得分，并返回排名最靠前的电影 (query)：

index = tfrs.layers.ann.BruteForce(model.user_model)

index.index(movies.batch( 100).map(model.movie_model), movies)

# Get recommendations.

_, titles = index(tf.constant([ "42"]))

print( f"Recommendations for user 42: {titles[ 0, : 3]} " )

自然，BruteForce 层只适用于专门幼的数据集。相关将 TFRS 与近似最邻近库 Annoy 结相符行使的示例，请参阅吾们的 完善教程。

完善教程 https://tensorflow.google.cn/recommenders/examples/basic_retrieval#building_a_candidate_ann_index

吾们期待这能让您对 TensorFlow Recommenders 的功能有所晓畅。要晓畅更众新闻，请查看吾们的 教程或 API 参考。倘若您想参与，一路推动 TensorFlow 选举体系发展，请考虑 贡献您的一份力量！吾们还将在近期宣布成立 TensorFlow Recommendations 稀奇有趣幼组 (SIG)，迎接行家就嵌入向量学习和分布式训练与行使等主题开展配相符和做出贡献。敬请憧憬！

教程 https://tensorflow.google.cn/recommenders/examples/quickstart API 参考 https://tensorflow.google.cn/recommenders/api_docs/python/tfrs/all_symbols 贡献您的一份力量 https://github.com/tensorflow/recommenders/

致谢

TensorFlow Recommenders 是 Google 以及其他结构的人员共同全力的收获。吾们要感谢 Tiansheng Yao、Xinyang Yi、Ji Yang 对库的中央贡献，感谢 Lichan Hong 和 Ed Chi 的领导与请示。吾们也要感谢 Zhe Zhao、Derek Cheng、Sagar Jain、Alexandre Passos、Francois Chollet、Sandeep Gupta、Eric Ni 等人对项主意建议和声援。

倘若您想详细晓畅 本文挑及 的相关内容，请参阅以下文档。这些文档深入探讨了这篇文章中挑及的很众主题：

当前网址：http://www.hz08yhk.tw/miaomaiyingyuan/211044.html
tag：行使,模型,用户,选举,相符,进走,电影片名,构建,电影,外