recommender-system

Qdrant - Hochleistungs-, massive-scale Vektor-Datenbank und Vektor-Suchmaschine für die nächste Generation von KI. Auch in der Cloud verfügbar https://cloud.qdrant.io/

Interaktives Deep-Learning-Buch mit Multi-Framework-Code, Mathematik und Diskussionen. Wird an 500 Universitäten in 70 Ländern eingesetzt, darunter Stanford, MIT, Harvard und Cambridge.

Weaviate ist eine Open-Source-Vektordatenbank, die sowohl Objekte als auch Vektoren speichert und die Kombination von Vektorsuche mit strukturiertem Filtern bei gleichzeitig hoher Fehlertoleranz und Skalierbarkeit einer Cloud-Native-Datenbank ermöglicht.

Entwicklerfreundliche, eingebettete OSS-Retrieval-Bibliothek für multimodale KI. Mehr suchen; weniger verwalten.

KI-gestützte Open-Source-Empfehlungs-Engine, die klassische/LLM-Ranker und multimodale Inhalte über Embeddings unterstützt

Einführungskurs in Empfehlungssysteme, Online-Leseadresse: https://datawhalechina.github.io/fun-rec/

RSTutorials: Eine kuratierte Liste lesenswerter Papers zu Empfehlungssystemen.

Eine Python-Implementierung von LightFM, einem hybriden Empfehlungsalgorithmus.

Schnelle Open-Source-Such- und Clustering-Engine für Vektoren und beliebige Objekte in C++, C, Python, JavaScript, Rust, Java, Objective-C, Swift, C#, GoLang und Wolfram 🔍

Schnelles kollaboratives Python-Filtering für implizite Feedback-Datensätze

Einführungs-, Fortgeschrittenen- und Spezialkurse zu Deep Learning, akademische und industrielle Fallstudien, Deep-Learning-Enzyklopädie und Interview-Fragensammlung.

Alink ist die auf Flink basierende Plattform für Algorithmen des maschinellen Lernens, entwickelt vom PAI-Team der Alibaba Computing Platform.

Klassische Papers und Ressourcen zu Empfehlungssystemen

Beschleunigte Deep-Learning-Forschung und -Entwicklung

Ein Index von Algorithmen zum Erlernen von Kausalität anhand von Daten

Ein Deep-Learning-Empfehlungssystem

🚀 In Rust geschriebene, effiziente Sammlung von Algorithmen zur Suche nach ungefähren nächsten Nachbarn 🦀.

PyTorch-Domain-Bibliothek für Empfehlungssysteme

Ausgewählte Deep-Learning-Paper für industrielle Suche, Empfehlung und Werbung. Sie konzentrieren sich auf Embedding, Matching, Pre-Ranking, Ranking, Post-Ranking, Relevanz, LLM und RL. Bitte zitieren Sie unser Paper „Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives“ (TOIS 2026).

Ein Framework für groß angelegte Empfehlungsalgorithmen.

Eine Liste großartiger Papers und Ressourcen zu Empfehlungssystemen basierend auf Large Language Models (LLM).

TensorFlow Recommenders ist eine Bibliothek zum Erstellen von Empfehlungssystem-Modellen mit TensorFlow.

Minimale Reproduktion von OneRec

Transformers4Rec ist eine flexible und effiziente Bibliothek für sequentielle und sitzungsbasierte Empfehlungen und funktioniert mit PyTorch.

Dies ist ein Repository mit öffentlichen Datenquellen für Empfehlungssysteme (Recommender Systems, RS).

Ein leichtgewichtiges PyTorch-Framework für Empfehlungsmodelle, einfach zu bedienen und zu erweitern.

NVTabular ist eine Feature-Engineering- und Vorverarbeitungsbibliothek für tabellarische Daten, die entwickelt wurde, um Terabyte-große Datensätze für das Training von Deep-Learning-basierten Empfehlungssystemen schnell und einfach zu verarbeiten.

HugeCTR ist ein hocheffizientes GPU-Framework, das für das Training zur Schätzung von Click-Through-Rates (CTR) entwickelt wurde.

Ein Vergleichs-Framework für multimodale Empfehlungssysteme

Eine Django-Website aus dem Buch Practical Recommender Systems zur Veranschaulichung der Implementierung von Empfehlungsalgorithmen