深度學習技術的推薦系統,正是提供個人化線上體驗的秘方,也是零售、娛樂、醫療照護、金融與其他產業的強大決策支援工具。
推薦系統會去瞭解許多人的偏好選擇、先前做出的決定及其他特徵,以此方式發揮功用。舉例來說,推薦系統可以根據一個人先前看過的電影以及瞭解的語言,來預測他會喜歡的電影類型。要訓練神經網路歸納這類龐大資料,並迅速針對相似的個人或情況提供特定建議,會需要經過大量運算,而 GPU 可大幅加快運算速度。若公司組織希望能提供更加愉快的使用者體驗、與客戶有更深度的互動,以及下達更為明智的決策,運用設計妥當且經過訓練的推薦系統,就能大幅提升價值。
本次實作坊的內容,涵蓋了建立高效推薦系統所需的基本工具和技術,並會說明如何部署 GPU 加速的解決方案以即時提供推薦。
學習目標
參加本實作坊可學會:
- 使用開放原始碼 cuDF 函式庫和 Apache Arrow 建立以內容為基礎的推薦系統
- 使用交替最小平方(alternating least squares,ALS)和 CuPy 建立協作式篩選推薦系統
- 使用 TensorFlow 2 設計出兼具寬度和深度的神經網路,打造混合式的推薦系統
- 使用大型的稀疏資料集,達到最佳的訓練和推論效能
- 將推薦模型部署為高效能網路服務
下載實作坊大綱與簡介 (PDF 79.8 KB)