抱歉,你查看的文章不存在

推荐系统资源(文献、工具、框架)整理

【导读】推荐系统近年来非常流行,应用于各行各业。推荐的对象包括:电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。本文作者收集整理了丰富的推荐系统相关资源,包括推荐系统的文献、工具和框架等。

作者 | daicoolb

整理 | Xiaowen

图片源于网络


Github地址:

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


“为了方便阅读,我整理了一些基础且重要的文章。”

推荐系统的主要学术会议:

  • KDD 数据挖掘,数据科学和分析。
  • ICDM 从广泛的数据挖掘相关领域吸引研究人员和应用程序开发人员,如统计,机器学习,模式识别,数据库和数据仓库,数据可视化,基于知识的系统和高性能计算。
  • AAAI 促进人工智能的研究和负责任的使用。
  • WWW 为世界提供了一个讨论网络发展,相关技术标准化以及这些技术对社会和文化的影响的首要论坛。
  • NIPS 有责任为人工智能和机器学习领域的每个人提供包容和热情的环境。
  • ICML 是领先的国际机器学习会议,由国际机器学习协会(IMLS)提供支持。
  • CIKM 为信息和知识管理研究的介绍和讨论提供了一个国际论坛,以及数据和知识库的最新进展。
  • SIGIR 是计算机协会信息检索特别兴趣小组。自1963年以来,我们促进了搜索和其他信息获取技术领域的研究,开发和教育。
  • Recsys 是推荐系统中最著名的会议。
  • WSDM(发音为“智慧”)是关于网络启发研究的主要会议之一,涉及搜索和数据挖掘。

收集了一些有用的推荐引擎:

  • Mosaic Mosaic Films 是建立在Node.js之上的recommendedRaccoon引擎的demo。
  • Contenct Engine 这是一个生产就绪但非常简单的基于内容的推荐引擎,它根据文本描述计算类似的item。
  • Spark Engine 本教程介绍如何运行Google Cloud Platform上的解决方案文件Recommendation Engine中解释的代码。
  • Spring Boost 如何使用Spring Boot,Aerospike和MongoDB构建推荐引擎。
  • Ger 提供良好的推荐可以获得更多的用户参与度,并提供增加本来不存在的价值的机会。
  • Crab 被称为scikits.recommender的Crab是一个Python框架,用于构建与科学Python包(numpy,scipy,matplotlib)集成的推荐引擎。

一些有用的推荐系统框架:

  • Surprise 是一个Python scikit构建和分析推荐系统。
  • LightFM 是针对隐式和显式反馈的许多流行推荐算法的Python实现,包括BPR和WARP排名损失的有效实现。
  • SpotLight 使用PyTorch构建深度和浅度推荐器模型。
  • Python-Recsys 用于实现推荐系统的python库。
  • LibRec 一个用于推荐系统中最先进算法的java库。
  • SparkMovieLens 使用Spark和Flask的可扩展在线电影推荐器。
  • Elasticsearch 使用Apache Spark和Elasticsearch构建推荐器。

一些有意思的类型:

-END-

原文发布于微信公众号 - 专知(Quan_Zhuanzhi)

原文发表时间:2019-02-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

编辑于

专知

880 篇文章344 人订阅

扫码关注云+社区

领取腾讯云代金券