安利 10 个开源推荐系统

大家好，我是东哥。

本次给大家安利 10 个开源的推荐系统，GitHub链接如下。然后再给大家介绍下推荐系统框架下各个环节及作用。

1、muricoca/crab

https://github.com/muricoca/crab

2、ibayer/fastFM

https://github.com/ibayer/fastFM

3、Mendeley/mrec

https://github.com/mendeley/mrec

4、MrChrisJohnson/logistic-mf

https://github.com/MrChrisJohnson/logistic-mf

5、jadianes/winerama-recommender-tutorial

https://github.com/jadianes/winerama-recommender-tutorial

6、ocelma/python-recsys

https://github.com/ocelma/python-recsys

7、benfred/implicit

https://github.com/benfred/implicit

8、lyst/lightfm

https://github.com/lyst/lightfm

9、python-recsys/crab

https://github.com/python-recsys/crab

10、NicolasHug/Surprise

https://github.com/NicolasHug/Surprise

工业推荐系统环节

工业中的推荐系统一般包含四个环节，分别是召回、粗排、精排和重排。

召回：根据用户的兴趣和历史行为，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节，排序环节可以融入较多特征，使用复杂模型，来精准地做个性化推荐。

粗排：有时候因为每个用户召回环节返回的物品数量还是太多，怕排序环节速度跟不上，所以可以在召回和精排之间加入一个粗排环节，通过少量用户和物品特征，简单模型，来对召回的结果进行粗略的排序，在保证一定精准的前提下，进一步减少往后传送的物品数量，粗排往往是可选的，可用可不同，跟场景有关。

精排：使用你能想到的任何特征，可以上你能承受速度极限的复杂模型，尽量精准地对物品进行个性化排序。

重排：排序完成后，传给重排环节，重排环节往往会上各种技术及业务策略，比如去已读、去重、打散、多样性保证、固定类型物品插入等等，主要是技术产品策略主导或者为了改进用户体验的。