#recommender-system Репозитории
Откройте для себя 45 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #recommender-system, с общим числом 184,431 звёзд (в среднем 4,098 на проект). Лидером этой темы является qdrant/qdrant, набравший 35,653 звёзд.
Всего репозиториев: 45
Qdrant – Высокопроизводительная, крупномасштабная векторная база данных и поисковый движок векторов для следующего поколения ИИ. Также доступно в облаке https://cloud.qdrant.io/
Интерактивная книга по глубокому обучению с кодом для нескольких фреймворков, математикой и обсуждениями. Принята в 500 университетах из 70 стран, включая Stanford, MIT, Harvard и Cambridge.
Weaviate — это открытая векторная база данных, которая хранит как объекты, так и векторы, позволяя комбинировать векторный поиск со структурированной фильтрацией с отказоустойчивостью и масштабируемостью облачной нативной базы данных.
Дружелюбная для разработчиков встраиваемая библиотека извлечения OSS для мультимодального ИИ. Ищите больше; управляйте меньше.
Движок системы рекомендаций с открытым исходным кодом на базе ИИ, поддерживающий классические/LLM рангеры и мультимодальный контент через встраивание.
Вводное руководство по рекомендательным системам, адрес для онлайн-чтения: https://datawhalechina.github.io/fun-rec/
RSTutorials: Курированный список обязательных к прочтению статей по системам рекомендаций.
Единый граф близости для векторного поиска, разреженных произведений и внимания в RAM, VRAM и NVMe — для плотных векторов, последовательностей, фигур и геопространственных наборов на 14 языках 🔍
Быстрая Python-коллаборативная фильтрация для наборов данных с неявной обратной связью
Alink — это платформа алгоритмов машинного обучения на базе Flink, разработанная командой PAI платформы вычислений Alibaba.
Вводные курсы по глубокому обучению, продвинутые курсы, специальные курсы, академические кейсы, промышленные практические кейсы, энциклопедия знаний по глубокому обучению и банк вопросов для собеседований Курсы, кейсы и знания по Deep Learning и AI
🚀 Эффективная библиотека коллекций алгоритмов поиска приближенного ближайшего соседа, написанная на Rust 🦀 .
Отличные статьи по глубокому обучению для промышленного поиска, рекомендаций и рекламы. Они фокусируются на Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Relevance, LLM и RL. Пожалуйста, цитируйте нашу статью "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).
Список отличных статей и ресурсов по системам рекомендаций на основе больших языковых моделей (LLM).
TensorFlow Recommenders — это библиотека для создания моделей рекомендательных систем с использованием TensorFlow.
Transformers4Rec - это гибкая и эффективная библиотека для последовательных и сессионных рекомендаций, работающая с PyTorch.
Фреймворк PyTorch для моделей рекомендаций, простой в использовании и расширяемый.
NVTabular — это библиотека для инжиниринга признаков и предварительной обработки табличных данных, разработанная для быстрого и легкого манипулирования наборами данных объемом в терабайты, используемыми для обучения рекомендательных систем на основе глубокого обучения.
Это репозиторий общедоступных источников данных для рекомендательных систем (RS).
HugeCTR — это высокопроизводительный GPU-фреймворк, предназначенный для обучения с оценкой Click-Through-Rate (CTR).
Сайт на Django, используемый в книге Practical Recommender Systems для иллюстрации того, как можно реализовать алгоритмы рекомендаций.
NVIDIA Merlin — это библиотека с открытым исходным кодом, предоставляющая комплексные системы рекомендаций с ускорением на GPU, от разработки признаков и предварительной обработки до обучения моделей глубокого обучения и выполнения выводов в производственной среде.
[Pytorch] Генеративная модель извлечения с использованием семантических идентификаторов из "Recommender Systems with Generative Retrieval"
MLGB — это библиотека, включающая множество моделей для прогнозирования CTR и рекомендательных систем с использованием TensorFlow и PyTorch. 「妙计包」 — это библиотека, содержащая более 50 моделей глубокого обучения для прогнозирования CTR и рекомендательных систем, написанных с использованием TensorFlow и PyTorch.
Статьи о рекомендательных системах на базе больших языковых моделей
RSTutorials: Курированный список алгоритмов о традиционных и социальных рекомендательных системах.
Модульный бэкэнд электронной коммерции с GraphQL-шлюзом и микросервисами gRPC для аккаунтов, продуктов, заказов, платежей и рекомендаций.
Курс с открытым исходным кодом по проектированию, созданию и развертыванию системы рекомендаций в реальном времени для модных статей H&M.
Список статей по гиперболическому встраиванию, гиперболическим моделям, гиперболическим приложениям
Дополнительные утилиты и вспомогательные средства для расширения TensorFlow при создании рекомендательных систем, разработанные и поддерживаемые SIG Recommenders.
TOROS Buffalo: Быстрый и масштабируемый проект с открытым исходным кодом, готовый к производству, для рекомендательных систем
Официальный код для "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) и "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)
CRSLab — это набор инструментов с открытым исходным кодом для создания диалоговых рекомендательных систем (CRS).
Часто задаваемые вопросы
Какой репозиторий по теме #recommender-system наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #recommender-system на GitHub — qdrant/qdrant, набравший 35,653 звёзд. Qdrant – Высокопроизводительная, крупномасштабная векторная база данных и поисковый движок векторов для следующего поколения ИИ. Также доступно в облаке https://cloud.qdrant.io/
Какие языки программирования чаще всего используются в репозиториях по теме #recommender-system?
Среди наиболее высоко оценённых проектов по теме #recommender-system на GitHub чаще всего используются языки программирования Python, Rust, Go, Jupyter Notebook.
Как рассчитывается рейтинг репозиториев по теме #recommender-system?
Мы отслеживаем 45 активных репозиториев с открытым исходным кодом, отмеченных тегом #recommender-system (500 и более звёзд), с общим числом 184,431 звёзд и в среднем 4,098 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.