两种最普遍的推荐系统的类型是基于内容和协同过滤（CF）。协同过滤基于用户对产品的态度产生推荐，基于内容的推荐系统基于物品属性的相似性进行推荐。CF可以分为基于内存的协同过滤和基于模型的协同过滤。

Crab是基于Python开发的开源推荐软件，其中实现有item和user的协同过滤。 特性: Recommender Algorithms : User-Based Filtering and

一个非常轻量级的开源推荐系统，python开发，作者似乎只有一位， Python-recsys主要实现了SVD、Neighborhood SVD推荐算法， 这个项目麻雀虽小五脏俱全，评估数据（Movielens，Last

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。感觉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，整个系统比较完备。 项目主页： http://www

人用的推荐系统，解决剧荒的问题，经过一轮的死缠烂打，这个个人推荐系统终于成型了。 今天来分享一下心得，对此感兴趣的朋友可以自己对着写一个。 传统推荐系统算法 首先介绍一下传统的推荐系统方法，之

息中提出用户想要的，推荐系统便显得极其重要了。在电商，电影，广告方面，推荐系统得到越来越广泛的应用。 一 什么是推荐系统 个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品

Wuawua推荐系统是一个可配置的推荐系统，部分功能源于oryx，但核心的推荐算法将全部更新。 包含的推荐算法如下: SVD：ParallelSGD（已实现）、SVD、SVD++ RBM(V0

1. 智能推荐系统超群.com fuchaoqun@gmail.com http://www.fuchaoqun.com 2. 推荐系统介绍： http://en.wikipedia.org/wiki/Recommender_system

C++开发的 Collaborative Filtering算法的开源推荐系统。CofiRank依赖boost库，联编会比较麻烦。 项目主页： http://www.open-open

MoinMoin是用 Python 语言写的一个开源 WiKi 引擎，由德国人开发，基于GNU GPL协议发布。MoinMoin 的软件架构很灵活，通过 Python 能很容易进行功能扩展，现在已开发出大量的 Plugins。MoinMoin

LensKit 是开源构建，研究，学习推荐系统，这是系统是 Java开发的，来自美国的明尼苏达大学，也是推荐领域知名的测试数据集Movielens的作者， 他们的推荐系统团队，在学术圈内的影响力很大，很多新的学术思想会放到这里

推荐系统实战 这周看了推荐系统实战这本书，其中基本上介绍的比较全面，但是每一部分并没有十分深入，深入的精华全部都在下方的备注当中，备注中有很多的论文，可以进行进一步的学习。 首先回顾一

Android WebView使用深入浅出 Android Studio ndk-Jni开发详细 关于Android的.so文件你所需要知道的 Android ListView使用B

化。这些特点导致传统的信息检索并不能很好的满足用户需求，我们迫切需要建设旅游推荐系统（本文中度假=旅游）。 旅游推荐系统主要面临以下几点挑战： 本异地差异大。在本地生活场景中用户需求绝大部分集中在

MyMediaLite 是一个轻量级的多用途的推荐系统的算法库。 它涉及两个协同过滤中最常见的场景： 等级预测 (1-5 范围星型评分) 通过一些点击、喜好、价格等因数的反馈进行预测 项目主页：

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。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te

Myrrix是一个完整的、实时的、可扩展的集群和推荐系统，基于Mahout实现。 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

推荐系统听上去是高大上的东西，在互联网多个场景中有广泛应用 场景1：你在google或百度的广告后台，输入一个关键词提交竞价，那么系统就会推荐很多认为你可能需要的关键词。 场景2：你在

Below is a list: Dato is a company that provides a python package and servers for business machine learning

一、推荐系统概念 1、推荐系统定义 维基百科：推荐系统属于资讯过滤的一种应用。推荐系统能够将可能受喜好的资讯或实物（例如：电影、电视节目、音乐、书籍、新闻、图片、网页）推荐给使用者。 推荐系