recommender-system

Qdrant - Base de données vectorielle et moteur de recherche vectorielle haute performance à grande échelle pour la nouvelle génération d'IA. Également disponible dans le cloud https://cloud.qdrant.io/

Livre interactif sur le deep learning incluant code multi-framework, mathématiques et discussions. Adopté par 500 universités dans 70 pays, dont Stanford, MIT, Harvard et Cambridge.

Weaviate est une base de données vectorielle open source qui stocke à la fois des objets et des vecteurs, permettant de combiner la recherche vectorielle avec un filtrage structuré, tout en offrant la tolérance aux pannes et l'évolutivité d'une base de données cloud-native.

Bibliothèque de recherche intégrée open source pour l'IA multimodale, conçue pour les développeurs. Recherchez plus, gérez moins.

Moteur de système de recommandation open source alimenté par l'IA, prenant en charge les classeurs classiques/LLM et le contenu multimodal via embedding

Tutoriel d'introduction aux systèmes de recommandation, disponible en ligne sur : https://datawhalechina.github.io/fun-rec/

RSTutorials : Une liste sélectionnée d'articles incontournables sur les systèmes de recommandation.

Une implémentation Python de LightFM, un algorithme de recommandation hybride.

Moteur de recherche et de clustering open source rapide pour vecteurs et objets arbitraires en C++, C, Python, JavaScript, Rust, Java, Objective-C, Swift, C#, GoLang et Wolfram

Filtrage collaboratif Python rapide pour les jeux de données à rétroaction implicite.

Cours d'introduction, cours avancés, études de cas académiques et industrielles, encyclopédie des connaissances et banque de questions d'entretien sur le Deep Learning et l'IA.

Alink est une plateforme d'algorithmes de Machine Learning basée sur Flink, développée par l'équipe PAI de la plateforme de calcul d'Alibaba.

Articles et ressources classiques sur les systèmes de recommandation.

R&D accélérée en deep learning.

Un index d'algorithmes pour apprendre la causalité à partir de données

Un système de recommandation basé sur l'apprentissage profond

Bibliothèque de collections d'algorithmes de recherche de plus proches voisins approximatifs efficaces écrite en Rust

Bibliothèque de domaine PyTorch pour les systèmes de recommandation

Articles de recherche sur le Deep Learning pour la recherche industrielle, la recommandation et la publicité. Ils se concentrent sur l'embedding, le matching, le pré-classement, le classement, le post-classement, la pertinence, les LLM et l'apprentissage par renforcement.

Un framework pour les algorithmes de recommandation à grande échelle.

Une liste de ressources et d'articles de référence sur les systèmes de recommandation basés sur les grands modèles de langage (LLM).

TensorFlow Recommenders est une bibliothèque pour construire des modèles de systèmes de recommandation en utilisant TensorFlow.

Reproduction minimale de OneRec.

Transformers4Rec est une bibliothèque flexible et efficace pour la recommandation séquentielle et basée sur les sessions, compatible avec PyTorch.

Dépôt de sources de données publiques pour les systèmes de recommandation (RS).

Un framework Pytorch basé sur Lightning pour les modèles de recommandation, facile à utiliser et à étendre

NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.

HugeCTR est un framework GPU haute efficacité conçu pour l'entraînement à l'estimation du taux de clic (CTR).

Un cadre comparatif pour les systèmes de recommandation multimodaux.

Un site web Django utilisé dans le livre Practical Recommender Systems pour illustrer l'implémentation d'algorithmes de recommandation.