#recommender-system Repository
Scopri 45 repository GitHub open source attivi contrassegnati con #recommender-system, che raccolgono un totale di 184,431 stelle (con una media di 4,098 stelle per progetto). Il progetto leader di questo argomento è qdrant/qdrant, con 35,653 stelle.
45 repository in totale
Qdrant – Database vettoriale e motore di ricerca vettoriale ad alte prestazioni e su larga scala per la prossima generazione di IA. Disponibile anche nel cloud https://cloud.qdrant.io/
Libro interattivo di deep learning con codice multi-framework, matematica e discussioni. Adoptato in 500 università di 70 paesi, inclusi Stanford, MIT, Harvard e Cambridge.
Weaviate è un database vettoriale open-source che memorizza sia oggetti che vettori, consentendo la combinazione di ricerca vettoriale con filtraggio strutturato con la tolleranza ai guasti e la scalabilità di un database nativo del cloud.
Libreria di recupero incorporata OSS per IA multimodale, amichevole per gli sviluppatori. Cerca di più; gestisci meno.
Motore di sistema di raccomandazione open source alimentato dall'IA che supporta classificatori classici/LLM e contenuti multimodali tramite embedding.
Tutorial introduttivo ai sistemi di raccomandazione, indirizzo di lettura online: https://datawhalechina.github.io/fun-rec/
RSTutorials: Una lista curata di articoli imperdibili sui Recommender System.
Un grafo di prossimità per la ricerca vettoriale, i prodotti sparsi e l’attenzione su RAM, VRAM e NVMe, applicato a vettori densi, sequenze, forme e insiemi geospaziali in 14 lingue 🔍
Alink è la piattaforma di algoritmi di Machine Learning basata su Flink, sviluppata dal team PAI della piattaforma di computing di Alibaba.
Corsi introduttivi di deep learning, corsi avanzati, corsi speciali, casi accademici, casi di pratica industriale, enciclopedia della conoscenza di deep learning e banca di domande per colloqui Il corso, il caso e la conoscenza di Deep Learning e AI
🚀 Una libreria efficiente di collezioni di algoritmi per la ricerca approssimata del vicino più prossimo scritta in Rust 🦀 .
Articoli eccellenti di Deep Learning per Ricerca, Raccomandazione e Pubblicità industriale. Si concentrano su Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Rilevanza, LLM e RL. Si prega di citare il nostro articolo "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).
Un elenco di fantastici articoli e risorse sui sistemi di raccomandazione su grandi modelli linguistici (LLM).
TensorFlow Recommenders è una libreria per la creazione di modelli di sistemi di raccomandazione utilizzando TensorFlow.
Transformers4Rec è una libreria flessibile ed efficiente per raccomandazioni sequenziali e basate su sessioni che funziona con PyTorch.
Un Framework PyTorch per Modelli di Raccomandazione, Facile da usare e Facile da estendere.
NVTabular è una libreria di feature engineering e preprocessing per dati tabulari progettata per manipolare in modo rapido e semplice dataset su scala di terabyte utilizzati per addestrare sistemi di raccomandazione basati su deep learning.
Questo è un repository di fonti di dati pubbliche per sistemi di raccomandazione (RS).
HugeCTR è un framework GPU ad alta efficienza progettato per l'addestramento di stima del Click-Through-Rate (CTR).
Un sito web Django utilizzato nel libro Practical Recommender Systems per illustrare come implementare gli algoritmi di raccomandazione.
NVIDIA Merlin è una libreria open source che fornisce sistemi di raccomandazione end-to-end accelerati da GPU, dall'ingegnerizzazione delle funzionalità e dalla preelaborazione all'addestramento di modelli di deep learning e all'esecuzione dell'inferenza in produzione.
[Pytorch] Modello di recupero generativo che utilizza ID semantici da "Recommender Systems with Generative Retrieval"
MLGB è una libreria che include molti modelli per CTR Prediction & Recommender System tramite TensorFlow & PyTorch. 「妙计包」 è una libreria che include più di 50 modelli deep learning per la predizione del CTR e per i sistemi di raccomandazione, scritti in TensorFlow e PyTorch.
Articoli su sistemi di raccomandazione potenziati da modelli linguistici di grandi dimensioni
RSTutorials: Una lista curata di algoritmi su sistemi di raccomandazione tradizionali e sociali.
Una cassetta degli attrezzi per raccomandazioni multimodali. Integrazione di oltre 10 modelli...
Backend e-commerce modulare con un gateway GraphQL e microservizi gRPC per account, prodotti, ordini, pagamenti e raccomandazioni.
Corso open-source sulla progettazione, costruzione e distribuzione di un sistema di raccomandazione personalizzato in tempo reale per articoli di moda H&M.
Elenco di articoli su embedding iperbolici, modelli iperbolici, applicazioni iperboliche
Utilità e helper aggiuntivi per estendere TensorFlow nella creazione di sistemi di raccomandazione, contribuiti e mantenuti da SIG Recommenders.
TOROS Buffalo: Un progetto open source veloce e scalabile pronto per la produzione per sistemi di raccomandazione
Codice ufficiale per "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) e "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)
CRSLab è un toolkit open-source per la costruzione di sistemi di raccomandazione conversazionale (CRS).
Domande frequenti
Qual è il repository #recommender-system più popolare su GitHub?
Il progetto open source #recommender-system più alto in classifica su GitHub è qdrant/qdrant, con 35,653 stelle. Qdrant – Database vettoriale e motore di ricerca vettoriale ad alte prestazioni e su larga scala per la prossima generazione di IA. Disponibile anche nel cloud https://cloud.qdrant.io/
Quali linguaggi di programmazione sono più utilizzati nei repository #recommender-system?
Tra i progetti #recommender-system più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Rust, Go, Jupyter Notebook.
Come viene calcolata la classifica dei repository #recommender-system?
Monitoriamo 45 repository open source attivi contrassegnati con #recommender-system (500+ stelle), per un totale di 184,431 stelle e una media di 4,098 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.