recommender-system

NVIDIA Merlin es una biblioteca de código abierto que proporciona sistemas de recomendación acelerados por GPU de extremo a extremo, desde la ingeniería de características y el preprocesamiento hasta el entrenamiento de modelos de aprendizaje profundo y la ejecución de inferencias en producción.

MLGB es una biblioteca que incluye más de 50 modelos de predicción de CTR y sistemas de recomendación mediante TensorFlow y PyTorch.

[Pytorch] Modelo de recuperación generativa que utiliza IDs semánticos de "Recommender Systems with Generative Retrieval".

Artículos sobre sistemas de recomendación mejorados con modelos de lenguaje de gran tamaño (LLM).

RSTutorials: Una lista curada de algoritmos sobre sistemas de recomendación tradicionales y sociales.

Backend de comercio electrónico modular con una pasarela GraphQL y microservicios gRPC para cuentas, productos, pedidos, pagos y recomendaciones.

Una caja de herramientas para recomendación multimodal. Integra más de 10 modelos.

Curso de código abierto sobre arquitectura, construcción y despliegue de un recomendador personalizado en tiempo real para artículos de moda de H&M.

Utilidades y herramientas adicionales para extender TensorFlow en la construcción de sistemas de recomendación, aportadas y mantenidas por SIG Recommenders.

Lista de artículos sobre incrustaciones hiperbólicas, modelos hiperbólicos y aplicaciones hiperbólicas

Implementación en PyTorch (1.6+) de https://github.com/kang205/SASRec

Recomendaciones para Ruby y Rails mediante filtrado colaborativo.

TOROS Buffalo: Un proyecto de código abierto rápido, escalable y listo para producción para sistemas de recomendación

CRSLab es un kit de herramientas de código abierto para construir sistemas de recomendación conversacionales (CRS).

Official code for "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) and "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)

[SIGIR 2024 perspective] The implementation of paper "On Generative Agents in Recommendation"