在架構推薦系統時，最重要的是開發演算法、讓演算法更理解使用者和項目，而非操作資料和架設 API。
這也就是為什麼我架了 TensorRec 框架，這個框架目的在簡化基於 TensorFlow 架設的推薦引擎的後勤工作，並讓開發者專注於更有趣的內容，像是：嵌入函數、損失函數和更強大的機器學習開發。
TensorRec 是一種推薦演算法，它有簡單的 API 可用於訓練和預測，類似於 Python 中常用的機器學習工具。它還可以讓你靈活地嘗試自己的嵌入/損失函數，使你可以架設一個適合了解特定使用者和項目的推薦系統。
TensorRec 專案目前還在成長中，而在架設 TensorRec 時，共有三個目標：
- 建立一個能從正面/負面的反饋中學習的推薦引擎。
- 允許任意的將 TensorFlow graphs 用作嵌入函數和損失函數。
- 為嵌入函數和損失函數提供合理的預設值。
運作方式
TensorRec 透過使用者/物品特徵（ID、標籤或其他元數據）、以及架設兩個低維向量：”使用者表徵” 和 “物品表徵”，來給評分建議。 這兩個向量的內積是該使用者與該項目之間關係的得分 – 最高得分將被預測為最佳建議。
# Predict scores for all users and all items
predictions = model.predict(user_features=user_features,
item_features=item_features)
用於生成這些表徵的演算法稱為嵌入函數，可自定義為：從直接線性變換到深度神經網絡之間的任何操作都可以應用，具體取決於您需要 TensorRec 解決的問題細節以及你允許的特徵數據。此外，使用者和項目嵌入函數可以獨立定制。(嵌入函數定制的例子)
TensorRec 透過比較使用者與項目之間實際互動 (喜歡/不喜歡) 所產生的分數來進行學習，比較器稱為 “損失函數”，TensorRec 允許您自定義您自己的損失函數。(自定義損失函數的例子。)
適用於 TensorRec 模型的函數類似於其他常用機器學習工具的函數：
# Fit the model for 5 epochs
model.fit(interactions, user_features, item_features,
epochs=5, verbose=True)
前言
目前已經廣泛使用 Maciej Kula 和 Lyst 開發的 LightFM，它的性能和可用性令人印象深刻。(關於使用 LightFM 的文章)
LightFM 透過運行一個因式分解的機器、為每個特徵學習線性嵌入，來生成使用者和項目的特徵。透過這兩個向量的內積，你可以得到一個沒有單位的分數，當它依分數排序時，它會告訴你這個給定的使用者和項目搭配起來的效果會有多好 (或壞)。
這種方法不僅有效、且計算效率很高，但若伴隨不一致或高度相關的特徵來使用 LightFM 的話則會遇到問題，就會需要更複雜的嵌入函數，來學習有意義地嵌入這些特徵，例如深度神經網絡。
這種嵌入函數將能夠學習使用者和項目函數之間的細微關係，並提高系統的整體資訊容量。這讓我對於探索非線性嵌入函數的選項感到好奇，於是開發了 TensorRec。
在 TensorFlow 上架設推薦系統
最初由 Google 所開發的 TensorFlow 是一款開源工具，可讓您建構、優化大型的機器學習系統。
在 TensorFlow 中，機器學習過程被表示為一個 “圖”，顯示資料如何流經系統。這些圖可以透過 TensorBoard 來看到，進而更清晰地呈現了機器學習過程。
顯示為 TensorFlow 圖的神經網絡的單個 ReLU 層。
為了建立我們的推薦系統，我們需要 TensorFlow 圖完成四項任務：
- 將資料輸入轉換為 feature tensors 以便於嵌入。
- 將使用者/項目的 feature tensors 轉換為使用者/項目特徵 (嵌入函數)。
- 將一對特徵轉換為預測。
- 將預測、真實數值轉換為損失值 (損失函數)。
TensorRec 解決了 1 和 3 問題，同時為 2 和 4 提供模組化和合理的預設值，讓您可以自由地嘗試嵌入和損失函數。您只需插入一個函數來建構您的自定義嵌入函數圖或損失函數圖 (範例)。
還缺少什麼?
許多資訊檢索領域的最新進展都來自複雜的損失函數，尤其是成對損失函數 (例如：WARP)，但是這些較難以 TensorFlow 圖表示。隨著這些損失函數的實作，TensorRec 對使用者的價值將會增加。此外，TensorRec 的新功能可以處理大量的互動資料、管理模型的狀態、處理隱形的互動，對於 TensorRec 也是一大加分。如果您嘗試一下 TensorRec，歡迎到 GitHub 開始您的實作。
(原文來自合作部落格 James Kirk，GCP 專門家授權翻譯轉載。)
