recommender-system

Qdrant - Banco de dados vetorial e mecanismo de busca vetorial de alto desempenho e escala massiva para a próxima geração de IA. Também disponível na nuvem https://cloud.qdrant.io/

Livro interativo de deep learning com código multi-framework, matemática e discussões. Adotado em 500 universidades de 70 países, incluindo Stanford, MIT, Harvard e Cambridge.

Weaviate é um banco de dados vetorial de código aberto que armazena objetos e vetores, permitindo a combinação de busca vetorial com filtragem estruturada, com a tolerância a falhas e escalabilidade de um banco de dados nativo em nuvem.

Biblioteca de recuperação incorporada (embedded) de código aberto para IA multimodal, amigável para desenvolvedores. Pesquise mais, gerencie menos.

Motor de sistema de recomendação open source baseado em IA, com suporte a rankers clássicos/LLM e conteúdo multimodal via embedding

Tutorial introdutório a sistemas de recomendação, leitura online: https://datawhalechina.github.io/fun-rec/

RSTutorials: Uma lista curada de artigos essenciais sobre sistemas de recomendação.

Uma implementação em Python do LightFM, um algoritmo de recomendação híbrido.

Mecanismo rápido de busca e clustering de código aberto para vetores e objetos arbitrários em C++, C, Python, JavaScript, Rust, Java, Objective-C, Swift, C#, GoLang e Wolfram

Filtragem colaborativa rápida em Python para conjuntos de dados de feedback implícito

Curso introdutório, avançado e especializado de Deep Learning, casos acadêmicos, casos de prática industrial, enciclopédia de conhecimento de Deep Learning e banco de questões de entrevistas. O curso, o caso e o conhecimento de Deep Learning e IA

Alink é a plataforma de algoritmos de Machine Learning baseada em Flink, desenvolvida pela equipe PAI da plataforma de computação do Alibaba.

Artigos clássicos e recursos sobre sistemas de recomendação.

P&D de deep learning acelerado

Um índice de algoritmos para aprender causalidade com dados

Um sistema de recomendação baseado em Deep Learning

Biblioteca de coleções de algoritmos de busca de vizinho mais próximo aproximado eficiente escrita em Rust.

Biblioteca de domínio Pytorch para sistemas de recomendação

Artigos incríveis de Deep Learning para busca, recomendação e publicidade industrial. Eles focam em Embedding, Matching, Pré-Ranking, Ranking, Pós-Ranking, Relevância, LLM e RL. Por favor, cite nosso artigo "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).

Um framework para algoritmos de recomendação em grande escala.

Uma lista de artigos e recursos incríveis sobre sistemas de recomendação baseados em grandes modelos de linguagem (LLM).

TensorFlow Recommenders é uma biblioteca para construir modelos de sistemas de recomendação usando TensorFlow.

Reprodução mínima do OneRec

Transformers4Rec é uma biblioteca flexível e eficiente para recomendação sequencial e baseada em sessão, compatível com PyTorch.

Este é um repositório de fontes de dados públicas para Sistemas de Recomendação (RS).

Um framework Pytorch leve para modelos de recomendação, fácil de usar e fácil de estender.

NVTabular é uma biblioteca de engenharia de recursos e pré-processamento para dados tabulares, projetada para manipular rápida e facilmente conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.

HugeCTR é um framework de GPU de alta eficiência projetado para treinamento de estimativa de Click-Through-Rate (CTR)

Um framework comparativo para sistemas de recomendação multimodais.

Um site Django usado no livro Practical Recommender Systems para ilustrar como os algoritmos de recomendação podem ser implementados.