#recommender-system Dépôts
Découvrez 45 dépôts GitHub open source actifs associés à #recommender-system, cumulant 184,431 étoiles au total (soit une moyenne de 4,098 étoiles par projet). Le projet en tête de ce thème est qdrant/qdrant, avec 35,653 étoiles.
45 dépôts au total
Qdrant – Base de données vectorielle et moteur de recherche vectorielle haute performance et à grande échelle pour la prochaine génération d'IA. Également disponible dans le cloud https://cloud.qdrant.io/
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Weaviate est une base de données vectorielle open-source qui stocke à la fois des objets et des vecteurs, permettant la combinaison de la recherche vectorielle avec un filtrage structuré avec la tolérance aux pannes et l'évolutivité d'une base de données native du cloud.
Bibliothèque d'extraction intégrée OSS conviviale pour les développeurs pour l'IA multimodale. Recherchez plus ; gérez moins.
Moteur de système de recommandation open source alimenté par l'IA, prenant en charge les classificateurs classiques/LLM et le contenu multimodal via l'embedding.
Tutoriel d'introduction aux systèmes de recommandation, adresse de lecture en ligne : https://datawhalechina.github.io/fun-rec/
RSTutorials : Une liste curated de papiers incontournables sur les systèmes de recommandation.
Un graphe de proximité pour la recherche vectorielle, les produits creux et l’attention sur RAM, VRAM et NVMe, appliqué aux vecteurs denses, séquences, formes et ensembles géospatiaux, en 14 langues 🔍
Filtrage collaboratif Python rapide pour les jeux de données à feedback implicite
Alink est la plateforme d'algorithmes d'apprentissage automatique basée sur Flink, développée par l'équipe PAI de la plateforme de calcul Alibaba.
Cours d'initiation à l'apprentissage profond, cours avancés, cours spéciaux, cas académiques, cas de pratique industrielle, encyclopédie des connaissances en apprentissage profond et banque de questions d'entretien Le cours, le cas et les connaissances de Deep Learning et IA
Un index d'algorithmes pour apprendre la causalité avec des données
🚀 Une librairie efficace de collections d'algorithmes de recherche approximative du plus proche voisin écrite en Rust 🦀 .
Articles excellents de Deep Learning pour la recherche, la recommandation et la publicité industrielles. Ils se concentrent sur Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Pertinence, LLM et RL. Veuillez citer notre article "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).
Une liste d'articles et de ressources géniaux sur les systèmes de recommandation basés sur de grands modèles linguistiques (LLM).
TensorFlow Recommenders est une bibliothèque pour construire des modèles de systèmes de recommandation à l'aide de TensorFlow.
Transformers4Rec est une bibliothèque flexible et efficace pour les recommandations séquentielles et basées sur les sessions qui fonctionne avec PyTorch.
Un Framework PyTorch pour les Modèles de Recommandation, Facile à utiliser et Facile à étendre.
NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.
Ceci est un référentiel de sources de données publiques pour les systèmes de recommandation (RS).
HugeCTR est un framework GPU à haute efficacité conçu pour l'entraînement d'estimation du Click-Through-Rate (CTR).
Un site web Django utilisé dans le livre Practical Recommender Systems pour illustrer comment implémenter des algorithmes de recommandation.
NVIDIA Merlin est une bibliothèque open source fournissant des systèmes de recommandation accélérés par GPU de bout en bout, de l'ingénierie des caractéristiques et du prétraitement à l'entraînement de modèles d'apprentissage profond et à l'exécution de l'inférence en production.
[Pytorch] Modèle de récupération générative utilisant des identifiants sémantiques issus de "Recommender Systems with Generative Retrieval"
MLGB est une bibliothèque qui inclut de nombreux modèles de prédiction de CTR et de systèmes de recommandation via TensorFlow & PyTorch. 「妙计包」 est une bibliothèque contenant plus de 50 modèles d'apprentissage profond pour la prédiction du taux de clics et les systèmes de recommandation, écrits avec TensorFlow et PyTorch.
Articles sur les systèmes de recommandation améliorés par des modèles de langage étendus
RSTutorials : Une liste sélectionnée d'algorithmes sur les systèmes de recommandation traditionnels et sociaux.
Une boîte à outils pour la recommandation multimodale. Intégrant plus de 10 modèles...
Backend e-commerce modulaire avec une passerelle GraphQL et des microservices gRPC pour les comptes, les produits, les commandes, les paiements et les recommandations.
Cours open-source sur la conception, la construction et le déploiement d'un système de recommandation personnalisé en temps réel pour les articles de mode H&M.
Liste d'articles sur l'intégration hyperbolique, les modèles hyperboliques, les applications hyperboliques
Utilitaires et helpers supplémentaires pour étendre TensorFlow lors de la construction de systèmes de recommandation, contribués et maintenus par SIG Recommenders.
TOROS Buffalo : Un projet open source rapide et scalable prêt pour la production pour les systèmes de recommandation
Code officiel pour "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) et "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)
CRSLab est une boîte à outils open-source pour la construction de systèmes de recommandation conversationnelle (CRS).
Foire aux questions
Quel est le dépôt #recommender-system le plus populaire sur GitHub ?
Le projet #recommender-system open source le mieux classé sur GitHub est qdrant/qdrant, avec 35,653 étoiles. Qdrant – Base de données vectorielle et moteur de recherche vectorielle haute performance et à grande échelle pour la prochaine génération d'IA. Également disponible dans le cloud https://cloud.qdrant.io/
Quels langages de programmation sont les plus utilisés dans les dépôts #recommender-system ?
Parmi les projets #recommender-system les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Rust, Go, Jupyter Notebook.
Comment le classement des dépôts #recommender-system est-il calculé ?
Nous suivons 45 dépôts open source actifs associés à #recommender-system (500+ étoiles), totalisant 184,431 étoiles, avec une moyenne de 4,098 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.