重磅乾貨-史上最全推薦系統資源分享-知識星球

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串列，所以乾脆自己整理了一個，同時，歡迎大家請更正、補充。（文末附帶連結版文章下載地址）

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），儲存和處理大量資料以及其他軟體相關的問題，如在遠端伺服器上保護客戶敏感資料的安全。

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整合方式提供給使用者使用，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資訊很少。

Strands：同樣是一個封閉的、專註於產品和電子商務的推薦系統。它可以透過在網站上新增跟蹤指令碼（Google Analytics）和推薦小部件來工作。但最吸引人的是，Strands釋出的他們的研究案例，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標的。

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

Google Cloud Prediction API：Google提供的雲端計算預測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，用來關聯已釋出的內容

Amazon Meachine Learning：機器學習平臺，用於對資料進行建模並建立預測

Azure ML：機器學習平臺，用於對資料進行建模並建立預測

Gravity R＆D：由2009年Netflix的一些獲獎者建立的公司。主要提供解決方案，為網站使用者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、演演算法和出版物（publication）串列的技術頁面。

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：一個搜尋，推薦和匹配（如約會網站）服推薦系統。在他們的網站上，也彙總了一些有用的資料集。

IBM Watson：可透過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和評估結果的圖形使用者介面。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階功能（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，並公佈了大部分資料。

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作為儲存。

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

EasyRec：基於Java和Rest的推薦。已被棄用。

Mahout：Hadoop /線性代數的資料挖掘

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擴充套件，用於將推薦演演算法（如協作過濾）直接新增到資料庫中。

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。內建各種演演算法，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演算法。使用Cython，可以輕鬆擴充套件到多核機器上，處理非常大的資料集，包括Lyst和Catalant在內的許多公司，用於實際生產。

Rexy：一個基於一般使用者-產品-標簽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資料樣式相匹配。Rexy由Python-3.5，以高度最佳化的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，可擴充套件，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充套件的C++庫。

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

hermes：PySpark中協作過濾和基於內容的演演算法的推薦框架。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演算法。他們還與Apache Spark整合，並且有很棒的部落格文章，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＃的記憶體推薦系統。已被放棄

LibRec：一個基於Java的推薦引擎，帶有大量的演演算法實現。

RankSys：Java編寫的推薦系統，非常新穎性和多樣。