#recommender-system Repositories
Entdecke 45 aktive Open-Source-GitHub-Repositories, die mit #recommender-system getaggt sind und insgesamt 184,431 Sterne gesammelt haben (durchschnittlich 4,098 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist qdrant/qdrant mit 35,653 Sternen.
Insgesamt 45 Repositories
Qdrant – Hochleistungsfähige Vektordatenbank und Vektorsuchmaschine in massivem Maßstab für die nächste Generation von KI. Auch in der Cloud verfügbar https://cloud.qdrant.io/
Interaktives Deep-Learning-Buch mit Code für mehrere Frameworks, Mathematik und Diskussionen. An 500 Universitäten in 70 Ländern übernommen, darunter Stanford, MIT, Harvard und Cambridge.
Weaviate ist eine Open-Source-Vektordatenbank, die sowohl Objekte als auch Vektoren speichert und die Kombination von Vektorsuche mit strukturiertem Filtern mit der Fehlertoleranz und Skalierbarkeit einer cloud-nativen Datenbank ermöglicht.
Entwicklerfreundliche OSS-Embedded-Retrieval-Bibliothek für multimodale KI. Mehr suchen; weniger verwalten.
KI-gesteuertes Open-Source-Empfehlungssystem-Engine unterstützt klassische/LLM-Ranking-Algorithmen und multimodale Inhalte mittels Einbettung.
Einführungstutorial für Empfehlungssysteme, Online-Leseadresse: https://datawhalechina.github.io/fun-rec/
RSTutorials: Eine kuratierte Liste unverzichtbarer Lektüren zu Empfehlungssystemen.
Ein Proximity-Graph für Vektorsuche, Sparse-Produkte und Attention über RAM, VRAM und NVMe hinweg, für dichte Vektoren, Sequenzen, Formen und Geodatenmengen in 14 Sprachen 🔍
Alink ist die Machine-Learning-Algorithmusplattform basierend auf Flink, entwickelt vom PAI-Team der Alibaba Computing Platform.
Einstiegskurse in Deep Learning, Fortgeschrittene Kurse, Spezialkurse, akademische Fälle, industrielle Praxisbeispiele, Deep-Learning-Wissens-Enzyklopädie und Interview-Fragenbank Der Kurs, Fall und das Wissen von Deep Learning und KI
Ein Index von Algorithmen zum Lernen von Kausalität mit Daten
🚀 Eine effiziente Sammlung von Algorithmen für die Suche nach ungefähr nächstliegenden Nachbarn, geschrieben in Rust 🦀 .
Beeindruckende Deep-Learning-Papiere für industrielle Suche, Empfehlung und Werbung. Sie konzentrieren sich auf Embedding, Matching, Pre-Ranking, Ranking, Post-Ranking, Relevanz, LLM und RL. Bitte zitieren Sie unser Papier „Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives“ (TOIS 2026).
Eine Liste fantastischer Arbeiten und Ressourcen zum Empfehlungssystem auf großen Sprachmodellen (LLM).
TensorFlow Recommenders ist eine Bibliothek zum Erstellen von Empfehlungssystemmodellen mit TensorFlow.
Transformers4Rec ist eine flexible und effiziente Bibliothek für sequentielle und sessionsbasierte Empfehlungen, die mit PyTorch funktioniert.
Ein PyTorch-Framework für Empfehlungs-Modelle, einfach zu verwenden und erweiterbar.
NVTabular ist eine Bibliothek für Feature Engineering und Vorverarbeitung von tabellarischen Daten, die entwickelt wurde, um Terabyte-große Datensätze schnell und einfach zu manipulieren, die zum Trainieren von Deep-Learning-basierten Empfehlungssystemen verwendet werden.
Dies ist ein Repository mit öffentlichen Datenquellen für Empfehlungssysteme (RS).
HugeCTR ist ein hoch effizientes GPU-Framework, das für das Training zur Schätzung der Click-Through-Rate (CTR) entwickelt wurde.
Eine Django-Website, die im Buch Practical Recommender Systems verwendet wird, um zu illustrieren, wie Empfehlungsalgorithmen implementiert werden können.
NVIDIA Merlin ist eine Open-Source-Bibliothek, die End-to-End-GPU-beschleunigte Empfehlungssysteme bereitstellt, von der Feature-Entwicklung und Vorverarbeitung über das Training von Deep-Learning-Modellen bis hin zum Inferenzbetrieb in der Produktion.
[Pytorch] Generatives Abrufmodell unter Verwendung semantischer IDs aus "Recommender Systems with Generative Retrieval"
MLGB ist eine Bibliothek, die viele Modelle für CTR-Vorhersage und Empfehlungssysteme mit TensorFlow & PyTorch enthält. 「妙计包」 ist eine Bibliothek mit über 50 Deep-Learning-Modellen für Klickraten-Vorhersage und Empfehlungssysteme, die mit TensorFlow und PyTorch geschrieben wurde.
RSTutorials: Eine kuratierte Liste von Algorithmen zu traditionellen und sozialen Empfehlungssystemen.
Modulare E-Commerce-Backend mit einem GraphQL-Gateway und gRPC-Mikrodiensten für Konten, Produkte, Bestellungen, Zahlungen und Empfehlungen.
Open-Source-Kurs zur Konzeption, Erstellung und Bereitstellung eines Echtzeit-Personalisierungs-Empfehlungssystems für H&M-Modeartikel.
Papierliste zu hyperbolischer Einbettung, hyperbolischen Modellen, hyperbolischen Anwendungen
Zusätzliche Utils und Helfer zur Erweiterung von TensorFlow beim Aufbau von Empfehlungssystemen, beigetragen und gepflegt von SIG Recommenders.
TOROS Buffalo: Ein schnelles und skalierbares, produktionsreifes Open-Source-Projekt für Empfehlungssysteme
Offizieller Code für "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) und "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)
CRSLab ist ein Open-Source-Toolkit für den Aufbau von Conversational Recommender Systems (CRS).
Häufig gestellte Fragen
Welches ist das beliebteste #recommender-system-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#recommender-system-Projekt auf GitHub ist qdrant/qdrant mit 35,653 Sternen. Qdrant – Hochleistungsfähige Vektordatenbank und Vektorsuchmaschine in massivem Maßstab für die nächste Generation von KI. Auch in der Cloud verfügbar https://cloud.qdrant.io/
Welche Programmiersprachen werden in #recommender-system-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #recommender-system-Projekten auf GitHub sind Python, Rust, Go, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #recommender-system-Repositories berechnet?
Wir verfolgen 45 aktive Open-Source-Repositories, die mit #recommender-system getaggt sind (500+ Sterne), mit insgesamt 184,431 Sternen und durchschnittlich 4,098 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.