Sistemas de recomendação baseados em aprendizagem profunda

info

Beta

Este recurso está em versão Beta. Os administradores do espaço de trabalho podem controlar o acesso a este recurso na página de Pré-visualizações . Veja as prévias do Gerenciador Databricks.

Esta página fornece exemplos de Notebook para a criação de sistemas de recomendação usando GPU sem servidor compute. Esses exemplos demonstram como criar modelos de recomendação eficientes usando abordagens modernas de aprendizagem profunda.

Tutorial	Descrição
Modelo de recomendação de duas torres	Aprenda como converter dados de recomendação para o formato Mosaic Data Shard (MDS) e, em seguida, use esses dados para criar um modelo de recomendação de duas torres.
Ajuste fino de modelos de incorporação com llm-foundry	Ajuste com precisão um modelo de incorporação no estilo BERT em compute GPU serverless usando aprendizado contrastivo com o framework llm-foundry e o treinador do Composer.

Modelo de recomendação de duas torres

Este Notebook demonstra como converter seus dados de recomendação no formato Mosaic Data Shard (MDS) e, em seguida, usar esses dados para criar um modelo de recomendação de duas torres. Essa abordagem é particularmente eficaz para sistemas de recomendação em grande escala.

Preparação de dados: Converter o modelo de recomendação dataset para o formato MDS

Primeiro, converta sua recomendação dataset para o formato MDS para um carregamento de dados eficiente:

Converter dados

Open notebook in new tab

Modelo V: Modelo de recomendação de duas torres usando PyTorch Lightning

Ensinar o modelo de recomendação de duas torres usando o dataset preparado e a API PyTorch Lightning Trainer em vários nós de GPU (GPUs A10 ou H100).

Sistema de recomendação PyTorch

Open notebook in new tab