分享幾個github上開源的推薦系統(tǒng)項目！

花了點時間，給大家整理了幾個GitHub上開源的推薦系統(tǒng)項目。文末有彩蛋哦~

1、muricoca/crab

https://github.com/muricoca/crab

2、ibayer/fastFM

https://github.com/ibayer/fastFM

3、Mendeley/mrec

https://github.com/mendeley/mrec

4、MrChrisJohnson/logistic-mf

https://github.com/MrChrisJohnson/logistic-mf

5、jadianes/winerama-recommender-tutorial

https://github.com/jadianes/winerama-recommender-tutorial

6、ocelma/python-recsys

https://github.com/ocelma/python-recsys

7、benfred/implicit

https://github.com/benfred/implicit

8、lyst/lightfm

https://github.com/lyst/lightfm

9、python-recsys/crab

https://github.com/python-recsys/crab

10、NicolasHug/Surprise

https://github.com/NicolasHug/Surprise

此外，再給大家安利一個電商場景中精排服務(wù)實踐項目。包含理論與代碼兩部分講解。

原價399元，前50名下單僅需0.1元

下單后30天內(nèi)可無限次回看

推薦系統(tǒng)架構(gòu)中，包括推薦引擎、召回服務(wù)、頻控服務(wù)、粗排服務(wù)、排序服務(wù)、機(jī)制服務(wù)。

框架流程圖：

機(jī)器學(xué)習(xí)平臺：

參數(shù)服務(wù)器：

DNN模型

DeepFM模型：

排序線上流程：

預(yù)估服務(wù)的開發(fā)流程：

1、加載模型文件， 初始預(yù)估服務(wù)

2、請求特征服務(wù)器，獲取用戶和商品的特征

3、基于特征值去參數(shù)服務(wù)器中找出對應(yīng)的向量

4、拼接對應(yīng)的向量后傳入網(wǎng)絡(luò)中進(jìn)行預(yù)估

5、返回預(yù)估分值

包含理論與代碼兩部分講解。

原價399元，前50名下單僅需0.1元

下單后30天內(nèi)可無限次回看