传统开源推荐系统介绍思维导图
传统开源推荐系统介绍思维导图
SVDFeature
作者是上海交大Apex实验室，一个feature-based协同过滤和排序工具，代码质量较高。在KDD Cup 2012中获得第一名，KDD Cup 2011中获得第三名，相关论文 发表在2012的JMLR中
包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种
LibMF
作者是Chih-Jen Lin 台湾国立大学，在机器学习领域享有盛名，连续多届KDD Cup竞赛上获得冠军
在矩阵分解的并行化方面作出了很好的贡献，提出了一种 矩阵分解的高效算法FPSGD（Fast Parallel SGD），根据计算节点的个数来划分评分矩阵block，并分配计算节点
LibFM
作者是德国Konstanz大学的Steffen Rendle
LibFM 是专门用于矩阵分解的利器，尤其是其中实现了MCMC（Markov Chain Monte Carlo）优化算法，比常见的SGD优化方法精度要高，但运算速度要慢一些
Lenskit
作者是美国的明尼苏达大学的GroupLens团队
主要包含lenskit-api,lenskit-core, lenskit-knn,lenskit-svd,lenskit-slopone,lenskit-parent,lenskit-data- structures,lenskit-eval,lenskit-test等模块，主要实现了k-NN，SVD，Slope-One等 典型的推荐系统算法
Graphlab
Graphlab 是基于C++开发的一个高性能分布式graph处理挖掘系统，特点是对迭代的并行计算处理能力强
用GraphLab来进行大数据量的random walk或graph-based的推荐算法非常有效
GraphLab 主要实现了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative Matrix Factorization，Restarted Lanczos Algorithm等
Mahout
Mahout项目是由 Apache Lucene社区中对机器学习感兴趣的一些成员发起的，其主要目标是创建一些可伸缩的机器学习算法，在其中实现一些常见的用于聚类和分类的机器学习算法
在Mahout的Recommendation类算法中，主要有User-Based CF，Item-Based CF，ALS，ALS on Implicit Feedback，Weighted MF，SVD++，Parallel SGD等
Myrrix
Myrrix 最初是Mahout的作者之一Sean Owen基于Mahout开发的一个试验性质的推荐系统。后面发展成一个完整的、实时的、可扩展的集群和推荐系统
已被 Cloudera 并入Oryx项目，已不能使用了
EasyRec
EasyRec 是一个易集成、易扩展、功能强大且具有可视化管理的推荐系统，更像一个完整的推荐产品，包括了数据录入模块、管理模块、推荐挖掘、离线分析等
EasyRec可以同时给多个不同的网站提供推荐服务，通过tenant来区分不同的网站。架设EasyRec服务器，为网站申请tenant，通过 tenant就可以很方便的集成到网站中
Waffles
一个非常强大的机器学习的开源工具包。Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于 其中的Waffles_recommend tool，大概只占整个Waffles的1/10的内容，其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包
RapidMiner
是一个比较成熟的数据挖掘解决方案，包括常见的机器学习、NLP、推荐、预测等方法（推荐只占其中很小一部分），而且带有GUI的 数据分析环境，数据ETL、预处理、可视化、评估、部署等整套系统都有
发表评论