本文介绍了如何使用TensorFlow构建电影推荐系统，涵盖了基于内容的过滤、协同过滤和基于知识的建议三种推荐类型，并重点讲解了使用TensorFlow Recommenders创建检索模型，包括数据处理、模型构建、训练及预测，最后讨论了近似最近邻（ANN）索引在提升推荐效率上的作用。
一、简述
我们在视频网站上上观看视频时，通常会在视频页面看到被推荐的视频列表。听歌的时候也是这样，APP会给我们推荐一些歌曲。可能是一系列类似的歌曲，也可能是同一类型或来自同一艺术家的作品。
这个推荐的视频或音乐列表由推荐机器学习模型（通常称为推荐引擎/系统）构建。推荐系统不仅仅是简单的机器学习。需要构建一个数据管道来收集模型所需的输入数据（比如用户观看的最后五个视频等输入），推荐系统满足了这一需求。
推荐系统不仅可以向用户推荐数字媒体，还可以向用户推荐商品。在电影应用程序中，当有新的促销活动时，推荐系统可以找到前几千或上万名最相关的当前客户，这称为定位。又比如，谷歌地图通过推荐系统建议避开收费公路的路线，Gmail中的智能回复建议对刚刚收到的电子邮件的可能回复也是由推荐系统完成的。搜索引擎是推荐引擎如何提供个性化的另一个很好的例子。您的搜索查询会考虑您的位置、用户历史记录、帐户首选项和以前的搜索，以确保您获得的服务与用户最相关。
从本质上讲，从用户的角度来看，推荐系统可以帮助找到相关内容，探索新项目并改善用户决策。从生产者的角度来看，它有助于提高用户参与度，更多地了解用户并监控用户行为的变化。总而言之，推荐系统都是关于个性化的。这意味着采用适合所有人的产品，并为个人用户进行个性化设置。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
