recommender-system

NVIDIA Merlin est une bibliothèque open-source fournissant des systèmes de recommandation accélérés par GPU de bout en bout, de l'ingénierie des caractéristiques et du prétraitement à l'entraînement de modèles de deep learning et à l'exécution d'inférences en production.

MLGB est une bibliothèque incluant de nombreux modèles de prédiction CTR et de systèmes de recommandation via TensorFlow et PyTorch.

[Pytorch] Modèle de récupération générative utilisant des identifiants sémantiques issu de "Recommender Systems with Generative Retrieval"

Articles de recherche sur les systèmes de recommandation améliorés par les grands modèles de langage (LLM).

RSTutorials : Une liste organisée d'algorithmes sur les systèmes de recommandation traditionnels et sociaux.

Backend e-commerce modulaire avec une passerelle GraphQL et des microservices gRPC pour les comptes, produits, commandes, paiements et recommandations.

Boîte à outils pour la recommandation MultiModal. Intégration de 10+ modèles...

👕 Cours open-source sur l’architecture, la construction et le déploiement d’un recommandeur personnalisé en temps réel pour des articles de mode H&M

Utilitaires et assistants supplémentaires pour étendre TensorFlow lors de la construction de systèmes de recommandation, contribués et maintenus par SIG Recommenders.

Liste d'articles sur l'embedding hyperbolique, les modèles hyperboliques, applications hyperboliques

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

Recommandations pour Ruby et Rails utilisant le filtrage collaboratif

TOROS Buffalo : Un projet open source rapide, évolutif et prêt pour la production pour les systèmes de recommandation

CRSLab est une boîte à outils open source pour créer des systèmes de recommandation conversationnels (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"