⼗⼤开源推荐系统简介[转⾃oschina]
最近这两年推荐系统特别⽕，本⽂搜集整理了⼀些⽐较好的开源推荐系统，即有轻量级的适⽤于做研究的SVDFeature、LibMF、LibFM等，也有重 量级的适⽤于⼯业系统的 Mahout、Oryx、EasyRecd等。PS：这⾥的top 10仅代表oschina观点。
1. SVDFeature
上海交通⼤学 Apex实验室 【C++】
项⽬简介：⼀个feature-based协同过滤和排序⼯具，由上海交⼤Apex实验室开发，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，这⾜以说明它的⾼⼤上。SVDFeature 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。SVDFeature代码精炼，可以⽤ 相对较少的内存实现较⼤规模的单机版矩阵分解运算。另外含有Logistic  regression的model，可以很⽅便的⽤来进⾏ensemble。
2. LibMF
台湾国⽴⼤学 【C++】
项⽬内容：作者来⾃⼤名⿍⿍的台湾国⽴⼤学，他们在机器学习领域享有盛名，近年连续多届KDD Cup竞赛上均 获得优异成绩，并曾连续多年获得冠军。台湾⼤学的风格⾮常务实，业界常⽤的LibSVM， Liblinear等都是他们开发的，开源代码的效率和质量都⾮常⾼。LibMF 在矩阵分解的并⾏化⽅⾯作出了很好的贡献，针对SGD（随即梯度下降）优化⽅法在并⾏计算中存在的locking problem和memory
discontinuity问题，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。系统介绍可以见这篇 （ACM Recsys 2013的 Best paper Award）。
开源项目3. Libfm
德国Konstanz⼤学 【C++】
项⽬内容：Steffen Rendle⽤LibFM同时玩转KDD Cup 2012 Track1和Track2两个⼦竞赛单元，都取得了很好的成绩，说明LibFM是⾮常管⽤的利器。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。当然LibFM中还实现了SGD、SGDA（Adaptive  SGD）、ALS （Alternating Least Squares）等算法。
4. LensKit
美国明尼苏达⼤学 GroupLens团队【Java】
5. GraphLab
美国卡耐基·梅隆⼤学【C++】
项⽬主页：
项⽬内容：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（这⽅⾯是hadoop 的弱项），由于功能独 到，GraphLab在业界名声很响。 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虽然名⽓⽐较响亮（CMU开发），但是对⼀般数据量的应⽤来说可能还⽤不上。GraphLab 主要实现了
ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative  Matrix Factorization，Restarted Lanczos Algorithm等算法。
6. Mahout
Apache Software Foundation 【Java】
项⽬内容：Mahout  是 Apache Software Foundation (ASF)  开发的⼀个全新的开源项⽬，其主要⽬标是创建⼀些可伸缩的机器学习算法，供开发⼈员在 Apache 在许可下免费 使⽤。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，他们希望建⽴⼀个可靠、⽂档翔实、可伸缩的项⽬，在其中实现⼀些常见的⽤于  聚类和分类的机器学习算法。该社区最初基于 Ngetal. 的⽂章“Map-Reduce for Machine Learning on  Multicore”，但此后在发展中⼜并⼊了更多⼴泛的机器学习 ⽅法，包括Collaborative
Filtering（CF），Dimensionality Reduction，Topic Models等。此外，通过使⽤ Apache  Hadoop 库，Mahout 可以有效地扩展到云中。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。
7. Myrrix
Mahout变种 【Java】
项⽬内容：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。⽬前Myrrix已经是⼀个完整的、实时的、可扩展的集和推荐系统，主要  架构分为两部分：服务层：在线服务，响应请求、数据读⼊、提供实时推荐；计算层：⽤于分布式离线计算，在后台使⽤分布式机器学习算法为服务层更新机器学习模型。Myrrix使⽤这两个层构建了⼀个完整的推荐系统，服务层是⼀个HTTP服务器，能够接收更新，并在毫秒级别内计算出更新结果。服务层可以单独使⽤，⽆需计算层，它会在本地运⾏机器学习算法。计算层也可以单独使⽤，其本质是⼀系列的Hadoop jobs。⽬前Myrrix以被  Cloudera 并⼊Oryx项⽬。
8. EasyREC
Austrian Federal Ministry of Science and Research 【Java】
项⽬内容：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。通过各种不同的数据收集⽹站的⽤户⾏为，EasyRec通过离线分析，就可以产⽣推荐信息，⽹站就可以通过 Recommendations和Community Rankings来进⾏推荐业务的实现。
9. Waffles
【C++】
项⽬内容：Waffles 英⽂原意是蜂蜜甜饼，在这⾥却指代⼀个⾮常强⼤的机器学习的开源⼯具包。Waffle
s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，估计  能与之媲美的也就数Weka了。
10. RapidMiner
【Java】
项⽬内容：RapidMiner（前⾝是Yale）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。另外RapidMiner提供commercial  license，提供R语⾔接⼝，感觉在向着⼀个商⽤的 数据挖掘公司的⽅向在前进。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。