TensorFlow推荐系统（一）

最新推荐文章于 2024-06-26 01:55:01 发布

BulletTech2021

最新推荐文章于 2024-06-26 01:55:01 发布

阅读量2.4k

点赞数

分类专栏：机器学习文章标签： tensorflow keras 深度学习

本文链接：https://blog.csdn.net/BulletTech2021/article/details/121941086

版权

本文介绍了TensorFlow推荐系统模型库TensorFlow Recommenders（TFRS），通过电影推荐的示例解析推荐原理，包括矩阵分解和协同过滤。还展示了源码实现，包括信息检索阶段的查询和候选模型，并提供了训练和评估模型的步骤。最后鼓励读者尝试将这些模型应用到实际项目中。

摘要由CSDN通过智能技术生成

1 前言

我们浏览在各个平台时会发现"为你推荐"功能。比如YouTube推荐爱看的视频，音乐软件为你提供你可能喜欢的音乐等。其实这一功能的背后涉及的原理就是人工智能的推荐系统。今天我们将介绍TensorFlow推荐系统模型的库——TensorFlow Recommenders(TFRS)[1]。

对TensorFlow感兴趣的朋友们，还可以回顾我们之前相关的文章：

2 推荐原理

这里我们用电影推荐的例子来讲解推荐系统的原理。

对于现有的四个用户和五部类型不同的电影，首先，我们需要创建用户画像和定义电影类别，这一步是为了区分数据，将现实特征转化为可计算的变量。对于现有的用户数据和电影数据，我们如何给用户D推荐她可能喜欢的电影呢？

如下图所示，这里我们为用户和电影两个变量各自创建两个维度的矩阵。对于用户，我们将定义是否偏爱儿童电影（-1表示很喜欢儿童电影，1则相反）和是否偏爱火爆电影（1表示很喜欢火爆电影，-1相反）；对于电影，这里定义是否是儿童电影（-1表示儿童电影，1则表示非儿童电影）和是否是火爆电影（1表示火爆电影，-1则反然）。

可以看出，用户A很喜欢看儿童且火爆的电影，这就是基于两个维度的User Embedding；而《怪物史莱克》在这里被定义为儿童且火爆的电影，这一过程就是Movie Embedding。值得一提的是，在搭建模型时，Embedding的维度不只是二维的，往往是多维的矩阵来表示变量。