#推荐系统

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。

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。

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 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。

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。

llms_paper是一个高级学术资源库，专注于顶会论文的记录与整理，涵盖多模态、PEFT、小样本QA问答等多个领域。该项目深入探讨了LLMs在医疗、法律等多个行业中智能问答系统的应用，并展示了LLMs在多模态交互及数据解析方面的有效性。为算法工程师和研究人员提供最新的研究成果与实用技术笔记，是深入LLMs领域的理想资源。

Awesome-LLM4RS-Papers是一套精选论文集，聚焦于大型语言模型在推荐系统中的应用研究。本集合包含自2023至2024年期间发布的期刊文章和会议论文，覆盖了隐私保护、个性化方案、效率提升等诸多创新领域。该项目为研究人员和技术开发者提供关于如何利用大型语言模型增强推荐系统的全面资料。

详细讲解使用Python实现推荐系统的方法与案例，涵盖内容过滤、协作过滤和矩阵分解等基本理论，并通过实际项目展示这些技术的应用。此外，还介绍了基于Naver新闻数据的推荐系统、使用Keras和深度学习技术的实例，以及利用LangChain和GPT-4o提升推荐系统解释性的案例。更多代码及详细说明请参阅相关博客文章。

Ailearning项目提供全面的机器学习和深度学习教程，涵盖实战资料、基础知识以及权威视频资源。适用于具备Python基础的程序员，帮助快速掌握AI技术。项目包含在线阅读、教学视频和多种数据下载链接，提升学习效率。

Merlin Dataloader 提供适用于 TensorFlow、PyTorch 和 JAX 的 GPU 优化数据加载器，大幅提升推荐模型的训练速度。优势包括速度提升超10倍、支持大于内存的数据集、每个周期的数据随机化及分布式训练。这些特点使其成为高效训练推荐模型的理想工具。

TensorFlow Recommenders Addons通过引入动态嵌入技术，使TensorFlow更适合搜索、推荐和广告模型的训练，全面兼容TensorFlow优化器和CheckPoint功能，支持GPU上的训练和推理。项目增强了推荐系统性能，解决了哈希冲突问题，并提供多种动态嵌入存储选项（如cuckoohash_map和Redis）。支持TF serving和Triton Inference Server，以便在大规模环境中部署和评估复杂推荐模型。

RecBole是一个基于Python和PyTorch的推荐系统框架，旨在高效地复现和开发推荐算法。该框架包含91种算法，涵盖通用推荐、序列推荐、情境推荐和知识推荐四大类。RecBole支持43个基准数据集，并提供GPU加速和标准评估协议以满足研究需求。最新版本增加了扩展包，提升用户体验，并支持多GPU和混合精度训练。

TorchRec是一个专为大规模推荐系统设计的PyTorch库，提供稀疏性和并行性解决方案。它支持多种嵌入表分片策略，并能自动优化分片计划。通过流水线训练和优化内核，提高模型性能。还支持量化训练和推理，包含多个验证的模型架构和数据集示例，适用于需要高性能和扩展性的推荐系统项目。

QRec是一个基于Python 3.7.4和Tensorflow 1.14+的推荐系统框架，集成了多种高影响力和最新的推荐模型。该框架具有轻量级架构和用户友好的接口，支持快速的模型实现和评估。QRec支持跨平台，包括Windows、Linux和Mac OS，基于Numpy和Tensorflow，运行速度快。用户可以通过配置文件轻松管理和扩展，同时提供多种评估协议。最新更新包括多个在顶级会议发表的模型，如SIGIR'22的SimGCL等。详细使用文档请参阅QRec手册。

TensorFlow Recommenders 是一款利用TensorFlow构建推荐系统模型的库。它涵盖了数据准备、模型构建、训练、评估和部署的完整工作流程，基于Keras，旨在为用户提供易学且灵活的体验，能够支持构建复杂模型。只需确保安装TensorFlow 2.x，并使用pip安装即可开始使用。详细的文档和教程能够帮助用户快速入门。

Metarank是一个开源排名服务，帮助构建个性化的语义/神经搜索和推荐系统。通过整合点击和购买等客户信号，该服务可以优化搜索结果和推荐内容，实现最大化CTR。其快速性能支持大规模结果集的重新排序，并提供开箱即用的排名信号计算，节省开发时间。与多种流处理系统集成，Metarank能处理大量RPS，支持横向扩展。另外，用户可以使用LLM，在搜索查询中理解其真实含义，提供更智能的搜索解决方案。

该文章全面梳理了各领域推荐系统，包括SaaS、开源、商业和学术解决方案。详细分析了Peerius、Universal Recommender等系统的特点和应用场景，并介绍了基准测试工具和媒体推荐应用。内容涵盖广泛，为研究和选择推荐系统提供了客观参考。

Merlin是NVIDIA开发的开源库，为推荐系统提供GPU加速解决方案。它包含多个组件如NVTabular和HugeCTR，支持大规模数据处理、特征工程、模型训练和部署。Merlin能处理数百TB数据，通过GPU加速提升系统性能。它兼容TensorFlow、PyTorch等框架，便于构建和优化推荐模型。

该项目汇集了搜索、推荐和广告领域的前沿深度学习论文，收录了100多篇顶级会议论文。内容涵盖嵌入、匹配、排序(如CTR/CVR预测)、后排序、迁移学习和强化学习等关键技术，包括DSSM、YouTube DNN等经典模型。收录了Google、Facebook、Alibaba等顶级科技公司的研究成果，为从业者提供全面的学习资源和研究参考。通过这些精选论文，读者可深入了解行业前沿技术和实践应用。

Gorse 是一款基于 Go 语言的开源推荐系统引擎，提供多源推荐、自动机器学习、分布式预测和 RESTful API 等功能。该系统能自动训练模型，为用户生成个性化推荐。Gorse 还具备在线评估和可视化仪表盘，便于数据管理、系统监控和集群状态检查。它适合寻求高性能、可扩展推荐解决方案的开发者和企业使用。

RES-Interview-Notes项目全面涵盖推荐系统各个方面,包括基础理论、传统算法、深度学习模型及工程实践。内容涉及协同过滤、矩阵分解等经典方法,以及AutoRec、NeuralCF等前沿模型。同时探讨了系统评估和落地实施,为推荐算法工程师提供系统学习资料。

HierarchicalKV是NVIDIA Merlin项目的组成部分，为推荐系统提供分层键值存储功能。该库可在GPU高带宽内存和主机内存中存储特征嵌入，支持大规模推荐模型训练。通过绕过CPU和实现表大小约束策略，HierarchicalKV提升了性能和内存利用率。这使得NVIDIA GPU更适合训练大型搜索、推荐和广告模型，简化了复杂推荐模型的构建、评估和部署过程。

NVTabular是NVIDIA Merlin框架的组件，用于处理TB级数据集和训练深度学习推荐系统。该库利用GPU加速计算，提供高级抽象以简化代码。它可处理超出内存限制的大规模数据集，使数据科学家专注于数据操作，快速准备实验数据，并加速生产模型的数据转换过程。

HugeCTR是专为大规模深度学习模型设计的GPU加速推荐系统框架,支持高效训练和推理。框架在MLPerf等基准测试中性能卓越,提供直观的API接口,并具备大规模嵌入等核心功能。HugeCTR实现了模型并行训练、混合精度计算、嵌入缓存等先进特性,可高效部署超大规模嵌入的推荐模型。

HSTU是一个基于万亿参数序列转录器的生成式推荐系统框架。该项目在MovieLens和Amazon Reviews等公开数据集上进行了实验，结果显示HSTU在各项指标上均优于现有方法。项目开源了实验代码、配置文件和高效推理所需的Triton内核实现，方便研究者复现结果和进行后续研究。

RLMRec是一个模型无关的推荐系统框架，利用大语言模型增强表示学习。该框架整合表示学习与大语言模型，深入捕捉用户行为和偏好的语义特征。RLMRec引入辅助文本信息，构建大语言模型支持的用户和物品画像，并通过跨视图对齐方法整合语义空间和协同关系信号。在多个公开数据集的评估中，RLMRec展现出显著的性能提升。

RSS Filter是一款智能RSS内容优化工具，基于用户阅读行为过滤和推荐文章。通过替换原有RSS链接，该工具减少无关内容，同时跟踪用户阅读习惯。它运用LLM嵌入和机器学习技术推荐相似文章，并支持OPML文件上传，便于转换现有RSS源。RSS Filter致力于提高信息消化效率，适合需要高效管理信息流的RSS用户。

RePlay是一个覆盖推荐系统全生命周期的开发评估框架。它集成了数据预处理、模型构建、参数优化、性能评估和模型集成等功能。该框架支持CPU、GPU等多种硬件，并可与PySpark结合实现分布式计算。RePlay能帮助开发者顺利将推荐系统从离线实验转到在线生产环境，提升系统的可扩展性和适应性。

本项目系统介绍工业级推荐系统的理论知识，包括召回、排序、特征交叉和用户行为序列建模等核心环节。内容涵盖基于TensorFlow2的模型训练，以及高性能、高并发、高可用的Golang推理微服务实现。同时提供Scikit-learn和TensorFlow编程基础，为推荐系统学习者提供全面的知识体系和实践指导。

RecSysPapers项目收录827篇推荐系统相关论文，涉及召回、排序、多任务和多模态等领域。项目持续更新业界进展，提供分类和阅读指引，是推荐系统研究和实践的重要参考。收录论文包括阿里巴巴、谷歌、微软等知名公司的最新实践，对推荐系统技术的理解和应用具有参考价值。

Buffalo是一款由Kakao开发的开源推荐系统框架，具有高性能和可扩展性。它针对CPU和SSD进行了优化，同时在GPU上也有良好表现，能够有效利用系统资源。Buffalo已在多个Kakao服务的生产环境中得到验证，支持Python 3.8+，需要cmake 3.17+和支持C++14的gcc/g++编译器。该项目采用Apache 2许可证，为开发者提供了灵活的使用空间。

MMRec是一个现代化的多模态推荐系统工具箱，支持多种先进推荐模型，如图神经网络和自监督学习技术。它提供全面功能，包括数据预处理、模型训练和评估，便于研究人员高效开发和比较推荐算法。该工具箱配有详细文档和示例，适合快速上手和扩展研究。