使用TFRS获取推荐结果时返回张量而非实际值，求解决方法

你当前得到的是候选item的ID张量，要获取有意义的实际推荐内容，核心是建立ID到真实内容的映射关系，再将张量转换为可读取的格式，以下是两种实用方法：

方法一：提前构建ID-内容映射字典 #

从movies数据集中提取item ID和对应的目标字段（比如标题），构建映射字典：

# 假设movies数据集包含movie_id和title字段
id_to_title = {}
for movie in movies.as_numpy_iterator():
    id_to_title[movie["movie_id"]] = movie["title"]

之后将预测得到的ID张量转为numpy数组，批量映射为实际内容：

_, candidate_ids = index({"user_id": tf.constant(["42"])})
# 扁平化张量并转为numpy数组
candidate_ids_np = candidate_ids.numpy().flatten()
# 映射为实际标题
recommended_titles = [id_to_title[mid] for mid in candidate_ids_np]
print(f"用户42的推荐内容：{recommended_titles}")

方法二：构建索引时直接存储内容（更便捷） #

修改候选数据集的映射逻辑，让索引直接存储内容而非ID，后续预测可直接获取结果：

# 定义映射函数，返回候选嵌入向量和对应的标题
def map_candidate_with_title(movie):
    embedding = model.candidate_model(movie)
    return embedding, movie["title"]

# 用带标题的数据集构建索引
index.index_from_dataset(candidates=movies.batch(128).map(map_candidate_with_title))

# 直接获取推荐标题
_, recommended_titles = index({"user_id": tf.constant(["42"])})
# 转为numpy数组查看实际值
print(f"用户42的推荐内容：{recommended_titles.numpy().flatten()}")

注意事项 #

如果你的内容字段是字符串类型，转numpy后会得到字节串，需要解码为普通字符串：

recommended_titles = [title.decode('utf-8') for title in recommended_titles.numpy().flatten()]

内容的提问来源于stack exchange，提问作者anaconda