重磅乾貨-史上最全推薦系統資源分享

作者：grahamjenson

深度學習與NLP編譯

參與：lqfarmer，Addis

推薦系統（或推薦引擎）是非常有用且有趣的軟體。原本想比較下不同的推薦系統之間的區別，但卻找不到一個合適的列表，所以乾脆自己整理了一個，同時，歡迎大家請更正、補充。（文末附帶鏈接版文章下載地址）

軟體即服務類推薦系統

SaaS推薦系統在開發過程中遇到很多挑戰，比如必須處理多租戶（multi-tenancy），存儲和處理大量數據以及其他軟體相關的問題，如在遠程伺服器上保護客戶敏感數據的安全。

使用SaaS推薦系統的好處是，可以以較低的開銷來獲取價值，而不需要大量的前期投入，它們通常具有明確的集成方式提供給用戶使用，並且在使用它時，可以對其進行開發和改進。

SaaS推薦系統有：

SuggestGrid：改進自Rcmmndr。SuggestGrid是一個通用推薦系統。它基於Apache Spark，但有很多改進。

Peerius：一個封閉的、專註於產品和電子商務的實時電子郵件推薦系統。非常活躍並且看起來很有趣，儘管關於其實際產品以及它如何工作的信息很少。

Strands：同樣是一個封閉的、專註於產品和電子商務的推薦系統。它可以通過在網站上添加跟蹤腳本（Google Analytics）和推薦小部件來工作。但最吸引人的是，Strands發布的他們的研究案例，例如Wireless Emporium和白皮書，如《The Big promise of recommender system》。雖然這些討論沒有提供的確切解決方案，但他們很好地敘述了他們提出推薦的願景和目標。

SLI Systems Recommender：一個專註於電子商務，搜索和移動的封閉推薦系統。

Google Cloud Prediction API：Google提供的雲計算預測API

Using Hadop Google Cloud：一個使用Google cloud的示例，其中包含推薦系統的benchmarks。

ParallelDots: 工具，用來關聯已發布的內容

Amazon Meachine Learning：機器學習平台，用於對數據進行建模並創建預測

Azure ML：機器學習平台，用於對數據進行建模並創建預測

Gravity R＆D：由2009年Netflix的一些獲獎者創建的公司。主要提供解決方案，為網站用戶提供有針對性的定製建議。他們有一些非常大的客戶，包括DailyMotion和一個描述他們的架構、演算法和出版物（publication）列表的技術頁面。

Dressipi Style Advisor：一個與服裝相關的推薦系統。它融合了專家領域知識和機器學習，可以找到適合場合或情緒的服裝。

Sajari：一個搜索，推薦和匹配（如約會網站）服推薦系統。在他們的網站上，也匯總了一些有用的數據集。

IBM Watson：可通過Watson Developer Cloud獲得，Watson Developer Cloud提供REST API（Bluemix上的Watson API）以及使用認知計算解決複雜問題的SDK。

Recombee：提供REST API，多語言SDK和評估結果的圖形用戶界面。主要功能是實時模型更新，易於使用的查詢語言，根據複雜的業務規則和高級功能（如獲取多樣化或輪流推薦的選項）進行過濾和提升。Recombee提供每月100k免費推薦請求的即時帳戶。

Segmentify：推薦引擎，個性化和實時分析工具。

Mr.Dlib：數字圖書館和reference manager等學術機構類的推薦系統。Mr.DLib提供「相關文章」的推薦，是開源的，並公布了大部分數據。

開源的推薦系統

大多數的非SaaS推薦系統都是開源的。這是因為這些推薦系統被簡化，更適用於client，因此不容易製作成產品。

開源推薦系統有：

PredictionIO：基於Apache Spark，Apache HBase和Spray技術構建。一個機器學習server，可用於搭建推薦系統。Github地址，看起來非常活躍。

Raccoon Recommendation Engine：是一款基於Node.js的開源協同過濾器，使用Redis作為存儲。

HapiGER：一個開源的Node.js協作過濾引擎，可以使用內存，PostgreSQL或rethinkdb。

EasyRec：基於Java和Rest的推薦。已被棄用。

Mahout：Hadoop /線性代數的數據挖掘

Seldon：基於Apache Spark的技術構建的Java預測引擎。提供了一個演示電影推薦應用：在這裡。

LensKit：一個基於Java的推薦系統，適用於中小規模。

Oryx v2：用於機器學習和預測的大型架構（由Lorand提出）

RecDB：一個PostgreSQL擴展，用於將推薦演算法（如協作過濾）直接添加到資料庫中。

Crab：基於熱門軟體包NumPy，SciPy，matplotlib的python推薦系統。已經被棄用。

Predictor：一個基於Ruby的推薦系統。

Surprise: 用於構建和分析（協作過濾）推薦系統的Python scikit。內置各種演算法，重點是評級預測。

LightFM：基於Python實現一系列基於協作和基於內容的，從學習到排名的推薦演算法。使用Cython，可以輕鬆擴展到多核機器上，處理非常大的數據集，包括Lyst和Catalant在內的許多公司，用於實際生產。

Rexy：一個基於一般用戶-產品-標籤概念和靈活結構的開源推薦系統，該結構已被設計為可與多種多樣的數據模式相匹配。Rexy由Python-3.5，以高度優化的Pythonic和全面的方式編寫而成，使其對非常靈活。使用Aerospike作為高速，可擴展，可靠的NoSQL資料庫的資料庫引擎。

QMF：用於隱式反饋矩陣分解模型的快速且可擴展的C++庫。

tensorrec：Python語言的TensorFlow推薦演算法和框架。

hermes：PySpark中協作過濾和基於內容的演算法的推薦框架。已被放棄。

非SaaS產品的推薦系統

非SaaS非開源推薦系統並不常見。主要是 Dato：

Dato：一家提供用於商業機器學習的python包和伺服器的公司，其中包括許多用於推薦的預測演算法。他們還與Apache Spark集成，並且有很棒的博客文章，比如為什麼構建自定義推薦系統很難？它必須是？。他們的客戶包括Pandora和StumbleUpon，必須是一個好產品。

學術型的推薦系統

推薦系統在學術界是一個非常活躍的研究領域，儘管很多系統主要在實驗室使用，很少用於工業生產。

Duine Framework：已被放棄的基於Java的推薦系統

MyMediaLite：基於C＃的內存推薦系統。已被放棄

LibRec：一個基於Java的推薦引擎，帶有大量的演算法實現。

RankSys：Java編寫的推薦系統，非常新穎性和多樣。

LIBMF：推薦系統的矩陣分解庫

proNet-core：一種通用網路嵌入框架，為推薦系統提供了幾種基於分解的模型。

Benchmarking類推薦系統

構建推薦系統的benchmarking是非常困難的，這不僅因為獲得好的數據集很難，而且不同的方法和演算法具有難以揭示的不同的優缺點。

以下是一些benchmarking工具列表：

TagRec：標籤推薦基準框架

RiVaL：推薦系統評估的開源工具包。一些結果發布在這裡。

Idomaar：推薦演算法測試的參考框架。它是在CrowdRec項目的框架內開發的。

媒體類推薦系統

除了通用推薦系統之外，這裡還添加一個應用列表，其中推薦是核心產品，特別是在媒體推薦領域：

Yeah，Nah：基於GER的電影推薦應用

Jinni：電影推薦網站

Gyde：流媒體推薦

TasteKid：電影，書籍，音樂推薦。

Gnoosic：音樂推薦系統。

Pandora：基於喜歡或不喜歡的歌曲推薦系統

Criticker：遊戲和電影協作推薦。

http://movielens.org：電影和書籍推薦系統。

MAL：基於用戶協同過濾推薦系統。

書籍

Practical Recommender Systems：由Kim Falk編寫（曼寧出版社）。第1章

由Ricci，F等人撰寫的Recommender Systems Handbook 帶鏈接版文章下載地址

鏈接: https://pan.baidu.com/s/1WjGjEy1Jf07GoeeoaV6rYA

密碼: m93n

往期精彩內容推薦

2018年10篇最值得閱讀的深度學習文章

精品推薦-2018年Google官方Tensorflow峰會視頻教程完整版分享

千萬不要錯過！ICLR-2018精品論文解析

純乾貨18 - 2016-2017深度學習-最新-必讀-經典論文

麻省理工學院-2018年最新深度學習演算法及其應用入門課程資源分享

歷史最全GAN網路及其各種變體整理（附論文及代碼實現）

純乾貨-17 分散式深度學習原理、演算法詳細介紹

深度學習中如何選擇一款合適的GPU卡的一些經驗和建議分享

模型匯總23 - 卷積神經網路中不同類型的卷積方式介紹

AI、神經網路、機器學習、深度學習和大數據的核心知識備忘錄分享

模型匯總22 機器學習相關基礎數學理論、概念、模型思維導圖分享

ICML 2017 深強化學習，決策和控制簡化教程分享

純乾貨11 強化學習（Reinforcement Learning）教材推薦