我一直在查看tensorflow示例，以获得Recommending movies: retrieval等建议。
这是生成推荐的过程-
# Build approximate index
scann_index = tfrs.layers.factorized_top_k.ScaNN(model.user_model)
scann_index.index_from_dataset(
tf.data.Dataset.zip((movies.batch(100), movies.batch(100).map(model.movie_model)))
)
# Get recommendations
_, titles = scann_index(tf.constant(["42"]))
print(f"Recommendations for user 42: {titles[0, :3]}")字符串
这将从索引中的已知电影列表中推荐电影。如果每秒钟都有新电影（或视频）发布，我如何快速更新此索引？每5分钟传输一次学习新数据？我可以提供新电影/视频的列表沿着查询（推荐的用户）作为输入吗？在一夜之间在批处理过程中创建新模型之前，包含新数据的选项有哪些？
1条答案
按热度按时间kdfy810k1#
查看以前关于使用TF进行增量学习的线程可能是值得的。
该线程将给予一些背景知识，但您应该能够在模型更新时保持在线训练，方法是将模型保留在内存中，在新数据进入时更新数据集，并在其上运行
.fit进行更新。要在运行此模型的主机之外使用此模型，您必须使用
model.save（https：//www.tensorflow.org/tutorials/keras/save_and_load#save_the_entire_model）保存它，并为任何专用于推理的主机再次加载它。当然，你也可以从连续训练的模型中进行推理，但这取决于你期望多久进行一次再训练。