#推荐系统

awesome-project-ideas

提供30多个深度学习和机器学习项目创意，从入门到研究级别，适用于学术界和工业界。涵盖黑客松创意、文本处理、时间序列预测、推荐系统、图像和视频处理、音乐和音频处理等多个领域，帮助开发者和研究人员实践最新技术。

DeepCTR

DeepCTR是一个简易、模块化、可扩展的深度学习CTR模型库，提供tf.keras.Model和TensorFlow Estimator接口，适用于快速实验和大规模数据分布式训练。兼容TensorFlow 1.x和2.x，支持多种复杂模型的构建和预测。

fun-rec

本教程适合具备机器学习基础、希望进入推荐算法领域的学习者，内容包括推荐系统概述、算法基础、实战项目和面经总结。系统化学习从基础到实战，助力面试成功。由多位热爱分享的同学整理，FunRec学习社区提供交流和技术支持。

RecAI

RecAI 项目旨在通过整合大规模语言模型 (LLMs) 开发更先进的推荐系统，主要提升交互性、可解释性和控制性。项目研究了多种技术，包括推荐 AI 代理、个性化提示、语言模型微调、模型解释器和评价系统。目标是通过全面的方法，解决 LLM4Rec 在实际应用中的需求，打造更加智能和可信赖的推荐系统。

recommenders

Recommenders项目支持开发者和技术爱好者从概念到部署推动推荐系统的发展。项目提供完整的教程，包括数据准备、模型建立、评估和优化，通过丰富的Jupyter笔记本示例展示各种推荐算法的实际应用。

applied-ml

通过精选的论文、文章和博客，学习企业如何实施数据科学与机器学习项目。了解不同公司对问题的定义、所采用的机器学习技术、背后的科学原理，以及所取得的商业成果，以便更好地评估投资回报。同时还包括最新的机器学习研究进展和实用指南。

RSPapers

RSPapers提供综合的推荐系统研究资源，覆盖系统教程、综合调研和多种议题，如社交、基于深度学习、冷启动、效率、探索与利说问题等，加上基于知识图谱和评论的最新研究。该资源库定期更新，包含多领域实用案例及隐私保护策略，非常适合研究者与实践者。

Awesome-LLM-for-RecSys

Awesome-LLM-for-RecSys聚焦大语言模型与推荐系统的交汇点，提供领先的研究成果与资源。该项目持续跟踪最新动态，举行定期论文评述，旨在为研究者和开发者深化对LLM在推荐系统中应用的理解提供支持。

trieve

Trieve 提供自托管解决方案，支持语义密集向量搜索、拼写容错搜索、子句高亮显示、推荐、RAG API 路由等功能。用户可自定义模型并优化混合搜索，Trieve 还支持流行度排名、重复检测等，适用于本地或公司VPC的高效搜索基础设施搭建。