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:
閱讀更多 AI先鋒號 的文章