Awesome GitHub RepositoriesImplicit Feedback Modeling

LightFM هي مكتبة توصيات Python وإطار عمل لتعلم الآلة مصمم للتنبؤ بتفضيلات المستخدم. تنفذ محرك توصيات هجين يجمع بين التصفية التعاونية وتصفية المحتوى من خلال دمج بيانات تفاعل المستخدم مع العنصر مع البيانات الوصفية الوصفية. يستخدم النظام تحليل المصفوفة الهجين لتعلم التمثيلات الكامنة للمستخدمين والعناصر. وهو مصمم خصيصاً للتعامل مع التعليقات الضمنية، باستخدام وظائف خسارة متخصصة مثل Weighted Approximate Rank Pairwise و Bayesian Personalized Ranking لتحسين تفضيلات العناصر لمجموعات البيانات التي تفتقر إلى التقييمات السلبية. توفر المكتبة أدوات لتدريب النماذج عبر الانحدار العشوائي، وحساب تنبؤات تفضيلات العناصر، وتقييم دقة النموذج. وهي تدعم ترتيب العناصر المخصص والتنبؤ بسلوك المستخدم من خلال تجميع مصفوفات التفاعل مع تضمينات الميزات.

RecBole هو إطار عمل توصية يعتمد على PyTorch مصمم لبناء وتدريب وتقييم مجموعة واسعة من خوارزميات التوصية. يعمل كبيئة قياسية للمقارنة تسمح بمقارنة بنى النماذج المختلفة باستخدام مجموعات البيانات العامة ومقاييس التقييم المتسقة. يوفر المشروع مجموعات أدوات متخصصة للتوصية المتسلسلة وتكامل الرسوم البيانية المعرفية، مما يتيح التنبؤ بتسلسلات العناصر بناءً على سجل المستخدم أو دمج المعرفة الخارجية المهيكلة. ويتضمن محركاً مخصصاً لتحسين المعلمات الفائقة يستخدم البحث الشبكي والتحسين البايزي لضبط تكوينات النموذج. يغطي إطار العمل مجموعة واسعة من القدرات بما في ذلك إدارة البيانات لتوحيد سجلات التفاعل، وخطوط أنابيب التدريب مع مزامنة التدرج الموزعة والتنفيذ المختلط الدقة، وأدوات تقييم شاملة لترتيب المرشحين وتحليل التنوع. ويدعم أنواع توصية متعددة، مثل التصفية التعاونية العامة والتنبؤ بمعدل النقر. تم تنفيذ المكتبة بلغة Python وتستخدم PyTorch لإطار عمل التوصية الأساسي الخاص بها.

Implicit is a Python recommendation engine and matrix factorization library designed for collaborative filtering. It implements predictive models that analyze implicit feedback to estimate user preferences and generate personalized item recommendations without requiring explicit ratings. The library utilizes native-code execution and multi-core parallelized processing to decompose large interaction matrices into latent factors. It incorporates approximate nearest neighbor indexing to accelerate high-dimensional similarity lookups and reduce recommendation latency. The framework covers prefer

Neural collaborative filtering is a recommendation system framework that predicts user item preferences from implicit feedback by combining generalized matrix factorization and multi-layer perceptron networks through a shared final embedding layer. It captures both linear and non-linear interactions to model user preferences from historical data. The framework executes training and evaluation runs through a configuration-driven pipeline accessible via command-line interfaces, parsing hyperparameters such as learning rates, batch sizes, and latent dimensions. It optimizes implicit feedback mod