🥑 Как Netflix определя кои предавания да ви предложи да гледате безпроблемно?

Изграждане на персонализирани системи за препоръки с TensorFlow 💻

Здравейте! Като потребител на различни онлайн платформи, трябва да сте забелязали как тези уебсайтове и приложения препоръчват продукти, статии или видеоклипове, които може да ви харесат въз основа на предишното ви поведение.

Тези препоръки не са произволни, а се генерират с помощта на сложни алгоритми, известни като системи за препоръки.

Система за препоръки анализира миналото поведение, предпочитания и интереси на потребителя, за да предвиди бъдещото им поведение и да предложи персонализирани препоръки.

През последните години системите за препоръки се превърнаха в решаващ компонент на много онлайн бизнеси, включително електронна търговия, медии и социални мрежи. Тези системи не само подобриха потребителското изживяване чрез предоставяне на персонализирано съдържание, но също така помогнаха на бизнеса да увеличи приходите си чрез увеличаване на ангажираността и удовлетвореността на клиентите.

В тази статия ще проучим как да изградим персонализирана система за препоръки с помощта на TensorFlow.

💻 Видове системи за препоръки

TensorFlow е популярна библиотека с отворен код, разработена от Google, която позволява на разработчиците лесно да създават модели за машинно обучение. Ще обсъдим и различните видове системи за препоръки и техните приложения.

Има основно три вида системи за препоръки:

1. Базирана на съдържанието система за препоръки
2. Система за препоръки за съвместно филтриране
3. Хибридна система за препоръки

🎯 Базирана на съдържанието система за препоръки

Система за препоръки, базирана на съдържание, препоръчва елементи, които са подобни на тези, които потребителят преди това е харесал или с които е взаимодействал. Системата анализира атрибутите на елементите, към които потребителят е проявил интерес, като техния жанр, тема или автор, и препоръчва елементи, които споделят подобни атрибути.

Например, ако даден потребител е гледал няколко екшън филма на стрийминг платформа, системата за препоръки, базирана на съдържание, ще препоръча подобни екшън филми въз основа на жанра.

🎯 Система за препоръки за съвместно филтриране

Системите за препоръки за съвместно филтриране анализират поведението на множество потребители и идентифицират модели в техните предпочитания и интереси. След това системата препоръчва артикули на потребител въз основа на предпочитанията на други потребители с подобно поведение или интереси.

Например, ако двама потребители имат сходни интереси и предпочитания, системата ще препоръча елементи, които един потребител е харесал на другия потребител.

🎯 Хибридна система за препоръки

Хибридните системи за препоръки съчетават силните страни на системите за препоръки за базирано на съдържание и съвместно филтриране, за да предоставят по-точни и персонализирани препоръки. Системата анализира както атрибутите на елементите, с които потребителят е взаимодействал, така и поведението на други потребители с подобни предпочитания, за да генерира препоръки.

🔧 Изграждане на система за препоръки, базирана на съдържание, с TensorFlow

В този раздел ще демонстрираме как да изградим система за препоръки, базирана на съдържание, използвайки TensorFlow. Ще използваме примерен набор от данни за филми и ще препоръчваме филми въз основа на техните жанрове.

🔑 Стъпка 1: Импортирайте библиотеки и заредете данни

За да изградим система за препоръки, базирана на съдържание, използвайки TensorFlow, трябва да импортираме необходимите библиотеки и да заредим набора от данни. Ще използваме библиотеката на pandas за зареждане на данните и TensorFlow за изграждане на модела.

import pandas as pd
import tensorflow as tf

# Load the data
movies_df = pd.read_csv('movies.csv')

🔑 Стъпка 2: Предварителна обработка на данните

След това трябва да обработим предварително данните и да извлечем необходимите функции. В този случай ще извлечем жанровете на филмите и ще създадем едно горещо кодиране за всеки жанр.

# Preprocess the data
genres = movies_df['genres'].str.get_dummies('|')

🔑 Стъпка 3: Изградете модела

Ще използваме Keras API, който е API от високо ниво, който работи върху TensorFlow, за да изградим модела. Ще използваме показателя за сходство по косинус, за да изчислим сходството между филмите въз основа на техните жанрове.

# Build the model
input_shape = genres.shape[1]
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(input_shape,)),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras

.layers.Dense(input_shape, activation='softmax') ])
model.compile(optimizer='adam', loss='categorical_crossentropy')

🔑 Стъпка 4: Обучете модела

След като изградим модела, вече можем да го обучим върху предварително обработените данни. Ще използваме метода fit(), за да обучим модела за 10 епохи.

# Train the model
model.fit(genres, genres, epochs=10)

🔑 Стъпка 5: Направете препоръки

След като обучим модела, можем да го използваме, за да правим препоръки. Ще изберем филм от набора от данни и ще изчислим косинусното сходство между този филм и всички останали филми в набора от данни. След това ще препоръчаме 5-те най-добри филма въз основа на резултатите им за сходство.

# Make recommendations
movie_idx = 0
similarities = tf.keras.losses.cosine_similarity(model(genres[movie_idx:movie_idx+1]), genres)
similarities = similarities.numpy().flatten()
similarities_argsort = similarities.argsort()[::-1]
top_similar = similarities_argsort[1:6]

print(f"Top 5 recommended movies for {movies_df.iloc[movie_idx]['title']}:")
for idx in top_similar:
    print(f"- {movies_df.iloc[idx]['title']}")

Ето целия кодов фрагмент за всички стъпки:

import pandas as pd
import tensorflow as tf

# Load the data
movies_df = pd.read_csv('movies.csv')
# Preprocess the data
genres = movies_df['genres'].str.get_dummies('|')
# Build the model
input_shape = genres.shape[1]
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(input_shape,)),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(input_shape, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy')
# Train the model
model.fit(genres, genres, epochs=10)
# Make recommendations
movie_idx = 0
similarities = tf.keras.losses.cosine_similarity(model(genres[movie_idx:movie_idx+1]), genres)
similarities = similarities.numpy().flatten()
similarities_argsort = similarities.argsort()[::-1]
top_similar = similarities_argsort[1:6]
print(f"Top 5 recommended movies for {movies_df.iloc[movie_idx]['title']}:")
for idx in top_similar:
    print(f"- {movies_df.iloc[idx]['title']}")

Този кодов фрагмент импортира необходимите библиотеки, зарежда набора от данни за филми, обработва предварително данните чрез извличане на жанровете и създаване на еднократно кодиране, изгражда модела с помощта на Keras API, обучава модела за 10 епохи и накрая прави препоръки чрез изчисляване косинусното сходство между избран филм и всички други филми в набора от данни.

💡 Последни мисли

В тази статия обсъдихме важността на системите за препоръки в електронната търговия, медиите и други индустрии. Също така обсъдихме трите основни типа системи за препоръки: базирани на съдържанието, съвместно филтриране и хибридни системи за препоръки.

След това демонстрирахме как да изградим система за препоръки, базирана на съдържание, използвайки TensorFlow. Използвахме примерен набор от данни за филми и препоръчахме филми въз основа на техните жанрове. Преминахме през стъпките на импортиране на библиотеки, предварителна обработка на данните, изграждане на модела, обучение на модела и изготвяне на препоръки.

Надяваме се, че тази статия ви е дала по-добро разбиране на системите за препоръки и как да ги изградите с помощта на TensorFlow. Честита сграда!

Ето някои източници, с които се консултирах, докато пиша тази статия:

1. IBM Developer — Системи за препоръки: https://developer.ibm.com/technologies/artificial-intelligence/articles/recommendation-system-overview/
2. Neal Lathia — Видове двигатели за препоръки и как да ги изградите: https://towardsdatascience.com/types-of-recommendation-engines-and-how-to-build-them-92af963bfcf5
3. Майсторство в машинното обучение — Системи за препоръчване, базирани на съдържание: https://machinelearningmastery.com/content-based-recommender-systems-in-python/
4. Майсторство в машинното обучение — Системи за препоръки за съвместно филтриране: https://machinelearningmastery.com/collaborative-filtering-for-recommendations-in-python/
5. Майсторство в машинното обучение — Хибридни препоръчителни системи: https://machinelearningmastery.com/hybrid-recommender-systems-in-python/
6. Rajalingappaa Shanmugamani — Урок за TensorFlow: Изградете система за препоръки: https://heartbeat.fritz.ai/build-your-own-recommendation-system-with-tensorflow-cf8b6cfd1c7a
7. Мартин Абади и др. — TensorFlow: Система за широкомащабно машинно обучение: https://www.usenix.org/system/files/conference/osdi16/osdi16-abadi.pdf

Надявам се тази статия да ви е била полезна. Благодарим ви, че отделихте време да го прочетете.

Ако ви е харесала тази статия, изхвърлете малко средна любов...👏ръкопляскане,💬коментирайте и не забравяйте да👤+ следвате.

Кой съм аз? Аз съм Гейб А, опитен архитект и писател за визуализация на данни с повече от десетилетие опит в SQL, анализ на данни и AI. Запален по теми като Python, финанси и визуализация на данни, станах доверен глас в индустрията за наука за данни.

Изчакайте малко. За да пишете в Medium и да печелите пасивен доход, използвайте тази реферална връзка, за да станете член.

Бъдете в крак с новостите. с последните новини и актуализации в творческото пространство на AI — следете публикацията AI Genesis.