推薦系統
從食物訂購到隨選視訊和音訊串流，再到時尚，推薦系統為現今一些最熱門的應用程式提供支援。探索如何使用 TensorFlow 生態系統中的開放原始碼程式庫和工具，建構可供生產環境使用的推薦系統。
推薦系統可提高應用程式中的使用者參與度，並透過提供最理想的內容來提升使用者體驗。現代推薦工具是複雜的系統，通常分為多個階段，以在生產環境中實現低延遲。透過擷取、排名和可能的後續排名階段，不相關的項目會從大量候選項目中逐步篩選出來，並最終呈現使用者最有可能互動的選項清單。
開始使用 TensorFlow Recommenders 進行建構，這是一個易於使用的架構，有助於簡化建構推薦系統的完整工作流程，從資料準備到部署都涵蓋在內。
完成模型訓練後，將模型部署到生產環境中，以便為終端使用者提供推薦內容。TensorFlow Serving 可將您的模型投入生產環境，以實現高效能推論。其目標是盡可能提高機器學習模型的輸送量，並且可以支援需要分散式服務的大型推薦模型。
# 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"]}' \
https://127.0.0.1:8501/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"}]}' \
https://127.0.0.1:8501/v1/models/ranking:predict
# Output:
# {"predictions": [[3.66357923]]}
改善推薦引擎的擷取和排名階段
大規模推薦系統需要透過擷取和排名階段，以有效率且有效的方式，從數百萬個候選項目中判斷最相關的項目。使用最先進的近似最近鄰 (ANN) 搜尋演算法和學習排名 (LTR) 技術來補充 TensorFlow Recommenders，以改善推薦結果。
TensorFlow Ranking 是一個用於開發可擴充神經 LTR 模型的程式庫。它提供其他功能來排列候選項目的順序，以盡可能提高排名效用。
最佳化大型嵌入，以進行模型訓練和推論
嵌入查詢作業是大規模推薦系統的關鍵元件。運用硬體加速和動態嵌入技術來克服大型嵌入表常見的效能瓶頸。
TensorFlow Recommenders Addons 是一個社群貢獻專案，它運用動態嵌入技術，對於線上學習特別有用。
保護使用者隱私
傳統推薦引擎仰賴收集使用者互動記錄，並根據原始使用者活動訓練推薦模型。納入負責任的 AI 開發實務，確保使用者資料保持私密。
TensorFlow Federated 是一個用於聯邦式學習和分散式資料上其他運算的架構。聯邦重建將矩陣分解引入聯邦式學習設定，並為推薦提供更完善的使用者隱私保護。
使用進階技術來開發更精密的推薦工具
雖然傳統協同篩選模型在業界廣泛使用，但採用進階技術 (例如強化學習和圖神經網路 (GNN)) 來建構推薦系統已成為日益普及的趨勢。
TensorFlow Agents Bandits 是一個全面的 Bandit 演算法程式庫，可以在推薦引擎設定中有效探索和利用。
參考最先進的推薦模型
如要評估知名模型的效能，或建構您自己的推薦模型，請查看熱門模型 (例如 NCF、DLRM 和 DCN v2) 的官方 TensorFlow 實作，以取得最佳實務做法。
真實世界的推薦系統
探索推薦系統在各行各業的應用程式中提供支援的範例和個案研究。
