#recommender-system Repositórios
Descubra 45 repositórios ativos de código aberto no GitHub marcados com #recommender-system, acumulando um total de 184,431 estrelas (uma média de 4,098 por projeto). O líder deste tópico é qdrant/qdrant, com 35,653 estrelas.
45 repositórios no total
Qdrant - Banco de Dados Vetorial de alto desempenho e em escala massiva e Motor de Busca Vetorial para a próxima geração de IA. Também disponível na nuvem https://cloud.qdrant.io/
Livro interativo de aprendizado profundo com código de múltiplos frameworks, matemática e discussões. Adotado em 500 universidades de 70 países, incluindo Stanford, MIT, Harvard e Cambridge.
Weaviate é um banco de dados vetorial de código aberto que armazena objetos e vetores, permitindo a combinação de busca vetorial com filtragem estruturada, com a tolerância a falhas e escalabilidade de um banco de dados nativo da nuvem.
Biblioteca de recuperação integrada OSS amigável para desenvolvedores para IA multimodal. Pesquise Mais; Gerencie Menos.
Mecanismo de sistema de recomendação de código aberto com inteligência artificial suporta classificadores clássicos/LLM e conteúdo multimodal via incorporação
Tutorial de introdução ao sistema de recomendação, endereço de leitura online: https://datawhalechina.github.io/fun-rec/
RSTutorials: Uma Lista Curada de Artigos Essenciais sobre Sistemas de Recomendação.
Um grafo de proximidade para busca vetorial, produtos esparsos e atenção em RAM, VRAM e NVMe, aplicado a vetores densos, sequências, formas e conjuntos geoespaciais em 14 idiomas 🔍
Filtragem Colaborativa Rápida em Python para Conjuntos de Dados de Feedback Implícito
Alink é a plataforma de algoritmos de Machine Learning baseada em Flink, desenvolvida pela equipe PAI da plataforma de computação Alibaba.
Cursos introdutórios, avançados e especializados em Deep Learning; casos acadêmicos e práticos da indústria; enciclopédia de conhecimento em Deep Learning e banco de questões para entrevistas. Tudo sobre o curso, os casos e o conhecimento de Deep Learning e IA.
🚀 Biblioteca eficiente de coleções de algoritmos de busca aproximada do vizinho mais próximo, escrita em Rust 🦀.
Artigos incríveis de Deep Learning para Busca, Recomendação e Publicidade industrial. Eles focam em Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Relevância, LLM e RL. Por favor, cite nosso artigo "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).
Uma lista de artigos e recursos incríveis sobre sistemas de recomendação em modelos de linguagem grandes (LLM).
TensorFlow Recommenders é uma biblioteca para construir modelos de sistemas de recomendação usando TensorFlow.
Transformers4Rec é uma biblioteca flexível e eficiente para recomendação sequencial e baseada em sessão que funciona com PyTorch.
Um Framework PyTorch para Modelos de Recomendação, Fácil de usar e Fácil de estender.
NVTabular é uma biblioteca de engenharia e pré-processamento de features para dados tabulares, projetada para manipular de forma rápida e fácil conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.
Este é um repositório de fontes de dados públicas para Sistemas de Recomendação (RS).
HugeCTR é uma estrutura de GPU de alta eficiência projetada para o treinamento de estimativa de Taxa de Cliques (CTR)
Um website Django usado no livro Practical Recommender Systems para ilustrar como os algoritmos de recomendação podem ser implementados.
NVIDIA Merlin é uma biblioteca de código aberto que fornece sistemas de recomendação de ponta a ponta acelerados por GPU, desde a engenharia e pré-processamento de recursos até o treinamento de modelos de aprendizado profundo e a execução de inferência em produção.
[Pytorch] Modelo de recuperação generativa usando IDs semânticos de "Recommender Systems with Generative Retrieval"
MLGB é uma biblioteca que inclui muitos modelos de Previsão de CTR e Sistema de Recomendação escritos em TensorFlow e PyTorch. 「妙计包」 é uma biblioteca escrita em TensorFlow e PyTorch que inclui mais de 50 modelos de profundidade para estimativa de CTR e sistemas de recomendação.
Artigos sobre Sistemas de Recomendação Aprimorados por Grandes Modelos de Linguagem
RSTutorials: Uma Lista Curada de Algoritmos sobre Sistemas de Recomendação Tradicionais e Sociais.
Uma Caixa de Ferramentas para Recomendação Multimodal. Integrando mais de 10 Modelos...
Backend modular de e-commerce com um gateway GraphQL e microsserviços gRPC para contas, produtos, pedidos, pagamentos e recomendações.
👕 Curso de código aberto sobre arquitetura, construção e implantação de um sistema de recomendação personalizado e em tempo real para artigos de moda da H&M.
Lista de artigos sobre incorporação hiperbólica, modelos hiperbólicos e aplicações hiperbólicas.
Utilitários e ajudas adicionais para estender o TensorFlow na construção de sistemas de recomendação, contribuídos e mantidos pelo SIG Recommenders.
TOROS Buffalo: Um projeto de código aberto rápido e escalável pronto para produção para sistemas de recomendação
Código oficial para "DaisyRec 2.0: Avaliação Comparativa de Recomendações para Avaliação Rigorosa" (TPAMI2022) e "Estamos Avaliando Rigorosamente? Avaliação Comparativa de Recomendações para Avaliação Reprodutível e Comparação Justa" (RecSys2020)
CRSLab é um kit de ferramentas de código aberto para construir Sistemas de Recomendação Conversacional (CRS).
Perguntas Frequentes
Qual é o repositório de #recommender-system mais popular no GitHub?
O projeto de código aberto de #recommender-system mais bem classificado no GitHub é qdrant/qdrant, com 35,653 estrelas. Qdrant - Banco de Dados Vetorial de alto desempenho e em escala massiva e Motor de Busca Vetorial para a próxima geração de IA. Também disponível na nuvem https://cloud.qdrant.io/
Quais linguagens de programação são mais usadas nos repositórios de #recommender-system?
Entre os projetos de #recommender-system mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Rust, Go, Jupyter Notebook.
Como é calculada a classificação dos repositórios de #recommender-system?
Acompanhamos 45 repositórios ativos de código aberto marcados com #recommender-system (com mais de 500 estrelas), totalizando 184,431 estrelas e uma média de 4,098 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.