作者：grahamjenson
深度学习与NLP编译
参与：lqfarmer，Addis
推荐系统（或推荐引擎）是非常有用且有趣的软件。原本想比较下不同的推荐系统之间的区别，但却找不到一个合适的列表，所以干脆自己整理了一个，同时，欢迎大家请更正、补充。（文末附带链接版文章下载地址）
软件即服务类推荐系统
SaaS推荐系统在开发过程中遇到很多挑战，比如必须处理多租户（multi-tenancy），存储和处理大量数据以及其他软件相关的问题，如在远程服务器上保护客户敏感数据的安全。
使用SaaS推荐系统的好处是，可以以较低的开销来获取价值，而不需要大量的前期投入，它们通常具有明确的集成方式提供给用户使用，并且在使用它时，可以对其进行开发和改进。
SaaS推荐系统有：
SuggestGrid：改进自Rcmmndr。SuggestGrid是一个通用推荐系统。它基于Apache Spark，但有很多改进。
Peerius：一个封闭的、专注于产品和电子商务的实时电子邮件推荐系统。非常活跃并且看起来很有趣，尽管关于其实际产品以及它如何工作的信息很少。
Strands：同样是一个封闭的、专注于产品和电子商务的推荐系统。它可以通过在网站上添加跟踪脚本（Google Analytics）和推荐小部件来工作。但最吸引人的是，Strands发布的他们的研究案例，例如Wireless Emporium和白皮书，如《The Big promise of recommender system》。虽然这些讨论没有提供的确切解决方案，但他们很好地叙述了他们提出推荐的愿景和目标。
SLI Systems Recommender：一个专注于电子商务，搜索和移动的封闭推荐系统。
Google Cloud Prediction API：Google提供的云计算预测API
Using Hadop Google Cloud：一个使用Google cloud的示例，其中包含推荐系统的benchmarks。
ParallelDots: 工具，用来关联已发布的内容
Amazon Meachine Learning：机器学习平台，用于对数据进行建模并创建预测
Azure ML：机器学习平台，用于对数据进行建模并创建预测
Gravity R＆D：由2009年Netflix的一些获奖者创建的公司。主要提供解决方案，为网站用户提供有针对性的定制建议。他们有一些非常大的客户，包括DailyMotion和一个描述他们的架构、算法和出版物（publication）列表的技术页面。
Dressipi Style Advisor：一个与服装相关的推荐系统。它融合了专家领域知识和机器学习，可以找到适合场合或情绪的服装。
Sajari：一个搜索，推荐和匹配（如约会网站）服推荐系统。在他们的网站上，也汇总了一些有用的数据集。
IBM Watson：可通过Watson Developer Cloud获得，Watson Developer Cloud提供REST API（Bluemix上的Watson API）以及使用认知计算解决复杂问题的SDK。
Recombee：提供REST API，多语言SDK和评估结果的图形用户界面。主要功能是实时模型更新，易于使用的查询语言，根据复杂的业务规则和高级功能（如获取多样化或轮流推荐的选项）进行过滤和提升。Recombee提供每月100k免费推荐请求的即时帐户。
Segmentify：推荐引擎，个性化和实时分析工具。
Mr.Dlib：数字图书馆和reference manager等学术机构类的推荐系统。Mr.DLib提供“相关文章”的推荐，是开源的，并公布了大部分数据。
开源的推荐系统
大多数的非SaaS推荐系统都是开源的。这是因为这些推荐系统被简化，更适用于client，因此不容易制作成产品。
开源推荐系统有：
PredictionIO：基于Apache Spark，Apache HBase和Spray技术构建。一个机器学习server，可用于搭建推荐系统。Github地址，看起来非常活跃。
Raccoon Recommendation Engine：是一款基于Node.js的开源协同过滤器，使用Redis作为存储。
HapiGER：一个开源的Node.js协作过滤引擎，可以使用内存，PostgreSQL或rethinkdb。
EasyRec：基于Java和Rest的推荐。已被弃用。
Mahout：Hadoop /线性代数的数据挖掘
Seldon：基于Apache Spark的技术构建的Java预测引擎。提供了一个演示电影推荐应用：在这里。
LensKit：一个基于Java的推荐系统，适用于中小规模。
Oryx v2：用于机器学习和预测的大型架构（由Lorand提出）
RecDB：一个PostgreSQL扩展，用于将推荐算法（如协作过滤）直接添加到数据库中。
Crab：基于热门软件包NumPy，SciPy，matplotlib的python推荐系统。已经被弃用。
Predictor：一个基于Ruby的推荐系统。
Surprise: 用于构建和分析（协作过滤）推荐系统的Python scikit。内置各种算法，重点是评级预测。
LightFM：基于Python实现一系列基于协作和基于内容的，从学习到排名的推荐算法。使用Cython，可以轻松扩展到多核机器上，处理非常大的数据集，包括Lyst和Catalant在内的许多公司，用于实际生产。
Rexy：一个基于一般用户-产品-标签概念和灵活结构的开源推荐系统，该结构已被设计为可与多种多样的数据模式相匹配。Rexy由Python-3.5，以高度优化的Pythonic和全面的方式编写而成，使其对非常灵活。使用Aerospike作为高速，可扩展，可靠的NoSQL数据库的数据库引擎。
QMF：用于隐式反馈矩阵分解模型的快速且可扩展的C++库。
tensorrec：Python语言的TensorFlow推荐算法和框架。
hermes：PySpark中协作过滤和基于内容的算法的推荐框架。已被放弃。
非SaaS产品的推荐系统
非SaaS非开源推荐系统并不常见。主要是 Dato：
Dato：一家提供用于商业机器学习的python包和服务器的公司，其中包括许多用于推荐的预测算法。他们还与Apache Spark集成，并且有很棒的博客文章，比如为什么构建自定义推荐系统很难？它必须是？。他们的客户包括Pandora和StumbleUpon，必须是一个好产品。
学术型的推荐系统
推荐系统在学术界是一个非常活跃的研究领域，尽管很多系统主要在实验室使用，很少用于工业生产。
Duine Framework：已被放弃的基于Java的推荐系统
MyMediaLite：基于C＃的内存推荐系统。已被放弃
LibRec：一个基于Java的推荐引擎，带有大量的算法实现。
RankSys：Java编写的推荐系统，非常新颖性和多样。
LIBMF：推荐系统的矩阵分解库
proNet-core：一种通用网络嵌入框架，为推荐系统提供了几种基于分解的模型。
Benchmarking类推荐系统
构建推荐系统的benchmarking是非常困难的，这不仅因为获得好的数据集很难，而且不同的方法和算法具有难以揭示的不同的优缺点。
以下是一些benchmarking工具列表：
TagRec：标签推荐基准框架
RiVaL：推荐系统评估的开源工具包。一些结果发布在这里。
Idomaar：推荐算法测试的参考框架。它是在CrowdRec项目的框架内开发的。
媒体类推荐系统
除了通用推荐系统之外，这里还添加一个应用列表，其中推荐是核心产品，特别是在媒体推荐领域：
Yeah，Nah：基于GER的电影推荐应用
Jinni：电影推荐网站
Gyde：流媒体推荐
TasteKid：电影，书籍，音乐推荐。
Gnoosic：音乐推荐系统。
Pandora：基于喜欢或不喜欢的歌曲推荐系统
Criticker：游戏和电影协作推荐。
movielens.org：电影和书籍推荐系统。
MAL：基于用户协同过滤推荐系统。
书籍
Practical Recommender Systems：由Kim Falk编写（曼宁出版社）。第1章
由Ricci，F等人撰写的Recommender Systems Handbook
带链接版文章下载地址
链接: https://pan.baidu.com/s/1WjGjEy1Jf07GoeeoaV6rYA
密码: m93n
