TensorFlow 推荐系统

TensorFlow 推荐系统是一个用于使用 TensorFlow 构建推荐系统模型的库。

它涵盖了构建推荐系统的完整工作流程：数据准备、模型构建、训练、评估和部署。

该库基于 Keras 构建，旨在提供平缓的学习曲线，同时赋予您构建复杂模型的灵活性。

安装

请确保已安装 TensorFlow 2.x，并通过 pip 进行安装：

pip install tensorflow-recommenders

文档

请参阅我们的 教程 和 API 参考文档。

快速入门

使用 Movielens 100K 数据集构建一个矩阵分解模型非常简单（Colab）：

from typing import Dict, Text

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs

# 评分数据。
ratings = tfds.load('movielens/100k-ratings', split="train")
# 所有可用电影的特征。
movies = tfds.load('movielens/100k-movies', split="train")

# 选择基本特征。
ratings = ratings.map(lambda x: {
    "movie_id": tf.strings.to_number(x["movie_id"]),
    "user_id": tf.strings.to_number(x["user_id"])
})
movies = movies.map(lambda x: tf.strings.to_number(x["movie_id"]))

# 构建模型。
class Model(tfrs.Model):

  def __init__(self):
    super().__init__()

    # 设置用户表示。
    self.user_model = tf.keras.layers.Embedding(
        input_dim=2000, output_dim=64)
    # 设置电影表示。
    self.item_model = tf.keras.layers.Embedding(
        input_dim=2000, output_dim=64)
    # 设置检索任务及在整个候选集上的评估指标。
    self.task = tfrs.tasks.Retrieval(
        metrics=tfrs.metrics.FactorizedTopK(
            candidates=movies.batch(128).map(self.item_model)
        )
    )

  def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:

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

    return self.task(user_embeddings, movie_embeddings)


model = Model()
model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5))

# 随机打乱数据并分为训练集和测试集。
tf.random.set_seed(42)
shuffled = ratings.shuffle(100_000, seed=42, reshuffle_each_iteration=False)

train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 训练。
model.fit(train.batch(4096), epochs=5)

# 评估。
model.evaluate(test.batch(4096), return_dict=True)

TensorFlow Recommenders 快速上手指南

TensorFlow Recommenders (TFRS) 是一个基于 TensorFlow 和 Keras 构建的推荐系统库。它涵盖了从数据准备、模型构建、训练、评估到部署的全流程，旨在以平缓的学习曲线提供构建复杂推荐模型的灵活性。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：3.7 - 3.10
• 前置依赖：必须已安装 TensorFlow 2.x。

建议先检查 TensorFlow 版本：

import tensorflow as tf
print(tf.__version__)

安装步骤

推荐使用 pip 进行安装。国内开发者可使用清华源或阿里源加速下载。

标准安装：

pip install tensorflow-recommenders

使用国内镜像源加速安装（推荐）：

pip install tensorflow-recommenders -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下示例展示了如何使用 TFRS 基于 Movielens 100K 数据集构建一个简单的矩阵分解（Factorization）模型。该流程包括数据加载、特征处理、模型定义、训练及评估。

from typing import Dict, Text

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs

# 1. 加载数据
# 评分数据
ratings = tfds.load('movielens/100k-ratings', split="train")
# 电影特征数据
movies = tfds.load('movielens/100k-movies', split="train")

# 2. 数据预处理：选择基础特征并转换类型
ratings = ratings.map(lambda x: {
    "movie_id": tf.strings.to_number(x["movie_id"]),
    "user_id": tf.strings.to_number(x["user_id"])
})
movies = movies.map(lambda x: tf.strings.to_number(x["movie_id"]))

# 3. 构建模型
class Model(tfrs.Model):

  def __init__(self):
    super().__init__()

    # 用户嵌入层
    self.user_model = tf.keras.layers.Embedding(
        input_dim=2000, output_dim=64)
    # 物品（电影）嵌入层
    self.item_model = tf.keras.layers.Embedding(
        input_dim=2000, output_dim=64)
    # 定义检索任务及评估指标
    self.task = tfrs.tasks.Retrieval(
        metrics=tfrs.metrics.FactorizedTopK(
            candidates=movies.batch(128).map(self.item_model)
        )
    )

  def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:

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

    return self.task(user_embeddings, movie_embeddings)


model = Model()
model.compile(optimizer=tf.keras.optimizers.Adagrad(0.5))

# 4. 数据划分：随机打乱并分为训练集和测试集
tf.random.set_seed(42)
shuffled = ratings.shuffle(100_000, seed=42, reshuffle_each_iteration=False)

train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 5. 训练模型
model.fit(train.batch(4096), epochs=5)

# 6. 评估模型
model.evaluate(test.batch(4096), return_dict=True)

更多详细教程和 API 文档请参考 TensorFlow Recommenders 官方文档。