02.04 推薦系統資源(文獻、工具、框架)整理

推薦系統近年來非常流行，應用於各行各業。推薦的對象包括：電影、音樂、新聞、書籍、學術論文、搜索查詢、分眾分類、以及其他產品。本文作者收集整理了豐富的推薦系統相關資源，包括推薦系統的文獻、工具和框架等。

Github地址：

https://github.com/daicoolb/RecommenderSystem-Paper

“為了方便閱讀，我整理了一些基礎且重要的文章。”

推薦系統的主要學術會議：

• KDD 數據挖掘，數據科學和分析。
• ICDM 從廣泛的數據挖掘相關領域吸引研究人員和應用程序開發人員，如統計，機器學習，模式識別，數據庫和數據倉庫，數據可視化，基於知識的系統和高性能計算。
• AAAI 促進人工智能的研究和負責任的使用。
• WWW 為世界提供了一個討論網絡發展，相關技術標準化以及這些技術對社會和文化的影響的首要論壇。
• NIPS 有責任為人工智能和機器學習領域的每個人提供包容和熱情的環境。
• ICML 是領先的國際機器學習會議，由國際機器學習協會（IMLS）提供支持。
• CIKM 為信息和知識管理研究的介紹和討論提供了一個國際論壇，以及數據和知識庫的最新進展。
• SIGIR 是計算機協會信息檢索特別興趣小組。自1963年以來，我們促進了搜索和其他信息獲取技術領域的研究，開發和教育。
• Recsys 是推薦系統中最著名的會議。
• WSDM（發音為“智慧”）是關於網絡啟發研究的主要會議之一，涉及搜索和數據挖掘。

收集了一些有用的推薦引擎：

• Mosaic Mosaic Films 是建立在Node.js之上的recommendedRaccoon引擎的demo。
• Contenct Engine 這是一個生產就緒但非常簡單的基於內容的推薦引擎，它根據文本描述計算類似的item。
• Spark Engine 本教程介紹如何運行Google Cloud Platform上的解決方案文件Recommendation Engine中解釋的代碼。
• Spring Boost 如何使用Spring Boot，Aerospike和MongoDB構建推薦引擎。
• Ger 提供良好的推薦可以獲得更多的用戶參與度，並提供增加本來不存在的價值的機會。
• Crab 被稱為scikits.recommender的Crab是一個Python框架，用於構建與科學Python包（numpy，scipy，matplotlib）集成的推薦引擎。

一些有用的推薦系統框架：

• Surprise 是一個Python scikit構建和分析推薦系統。
• LightFM 是針對隱式和顯式反饋的許多流行推薦算法的Python實現，包括BPR和WARP排名損失的有效實現。
• SpotLight 使用PyTorch構建深度和淺度推薦器模型。
• Python-Recsys 用於實現推薦系統的python庫。
• LibRec 一個用於推薦系統中最先進算法的java庫。
• SparkMovieLens 使用Spark和Flask的可擴展在線電影推薦器。
• Elasticsearch 使用Apache Spark和Elasticsearch構建推薦器。

一些有意思的類型：