Awesome GitHub RepositoriesRecommendation Models

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

Recommenders is a recommendation system framework designed for building, benchmarking, and deploying collaborative and content-based filtering models. It provides a machine learning model pipeline that standardizes the process of moving recommendation data from raw ingestion through training and evaluation. The project functions as a model benchmarking toolkit, utilizing standardized ranking and error metrics to compare the accuracy of different algorithms. It also serves as a hyperparameter tuning tool, allowing for the optimization of model behavior and performance via external configuratio

This project is a recommendation system framework designed for building, evaluating, and operationalizing personalized item suggestion engines. It provides a comprehensive toolkit for implementing collaborative filtering and content-based algorithms, supported by an end-to-end machine learning pipeline for preparing datasets and deploying predictive models. The framework distinguishes itself through the integration of knowledge graphs to provide richer context for recommendations and the use of industry-specific patterns to accelerate system deployment. It also includes a specialized model ev

This project is an automated machine learning framework and toolkit designed for training and tuning custom models for classification, regression, and recommendations. It functions as a multimodal machine learning toolkit capable of processing and training models using a combination of text, image, audio, and sensor data. The framework distinguishes itself as a multimodal data processor that can handle and visualize large datasets on a single machine using column-oriented disk storage. It includes a core machine learning model generator that converts trained models into formats compatible wit

Monolith is a distributed recommendation model framework and asynchronous training engine designed to build and train large-scale deep learning architectures. It functions as a distributed model trainer that processes massive datasets across multiple compute nodes using asynchronous update mechanisms. The system features a dedicated embedding table manager that creates unique, feature-isolated tables to prevent representation collisions. It also includes a real-time weight updater to capture immediate changes in user interest and data hotspots through continuous parameter synchronization. Th

Vowpal Wabbit is an open-source machine learning system designed for online learning, where models update incrementally from streaming data without requiring full retraining. It provides a reduction-based learning framework that composes complex tasks from simpler algorithms, and includes a feature hashing trick that maps unbounded feature names into a fixed-size vector space to keep memory usage constant regardless of dataset size. The system supports distributed training across a cluster using an allreduce protocol for synchronized updates, and offers an active learning query strategy that s

Wallos is a self-hosted subscription tracking dashboard and financial expense manager. It serves as a budgeting tool for monitoring recurring payments and due dates to ensure subscription services are paid on time. The application identifies expenditure patterns through personal finance analytics, utilizing visual charts and spending statistics. It handles multi-currency finance tracking by retrieving live exchange rates from external services to translate global currencies into a single primary value. Additional capabilities include a notification system that sends payment reminders via ema

fun-rec is a learning guide and framework for building personalized recommendation systems, covering everything from deep learning ranking to generative recommendation paradigms. It provides instructional content on constructing industrial-grade architectures that span offline data processing and real-time online serving. The project distinguishes itself by focusing on generative recommendation, treating the suggestion process as a sequence-to-sequence task using large language models and transformer models to generate item identifiers rather than traditional ranking lists. It also emphasizes

This repository is a collection of practical deep learning implementations and examples built using the TensorFlow framework. It provides a variety of neural network architectures focusing on natural language processing, recommendation systems, reinforcement learning, and time series prediction. The project features a range of specialized models, including sequence-to-sequence and transformer architectures for text processing, and factorization machines for personalized ranking and retrieval. It also includes implementations of reinforcement learning agents using actor-critic and policy gradi

Surprise is a Python library for building and analyzing recommendation systems. It provides a comprehensive toolkit for implementing collaborative filtering to predict user preferences and generate item suggestions based on historical rating patterns. The library includes dedicated tools for hyperparameter optimization and model evaluation. It allows for searching through parameter sets to find the most effective configurations and utilizes a suite of metrics to measure prediction accuracy. The framework covers the full development workflow, including data loading from various sources, the c

Este proyecto es una serie de tutoriales de aprendizaje profundo y un currículo educativo diseñado para enseñar los fundamentos de PyTorch. Sirve como una guía de entrenamiento estructurada para dominar la arquitectura de redes neuronales, la diferenciación automática y el uso de tensores y grafos de computación dinámica. El currículo se centra en implementaciones prácticas, guiando específicamente el desarrollo de sistemas de recomendación, modelos de publicidad y redes de interés para predecir las preferencias del usuario. También proporciona contenido instructivo para el pronóstico de series temporales y el procesamiento de datos secuenciales. El material cubre una amplia gama de capacidades de aprendizaje profundo, incluyendo la construcción de modelos para clasificación de imágenes y texto, así como datos estructurados. Incorpora flujos de trabajo para aceleración por GPU, visualización de métricas de entrenamiento y la creación de interfaces basadas en web para probar las predicciones del modelo. El proyecto se entrega como una colección de Jupyter Notebooks.

LightFM es una biblioteca de recomendación de Python y framework de machine learning diseñado para predecir las preferencias de los usuarios. Implementa un motor de recomendación híbrido que combina filtrado colaborativo con filtrado basado en contenido mediante la integración de datos de interacción usuario-ítem con metadatos descriptivos. El sistema utiliza factorización de matrices híbrida para aprender representaciones latentes de usuarios e ítems. Está diseñado específicamente para manejar retroalimentación implícita, utilizando funciones de pérdida especializadas como Weighted Approximate Rank Pairwise (WARP) y Bayesian Personalized Ranking (BPR) para optimizar las preferencias de ítems para conjuntos de datos que carecen de calificaciones negativas. La biblioteca proporciona herramientas para entrenar modelos mediante descenso de gradiente estocástico, calcular predicciones de preferencia de ítems y evaluar la precisión del modelo. Admite la clasificación personalizada de ítems y la predicción del comportamiento del usuario mediante la síntesis de matrices de interacción con embeddings de características.

Este repositorio es un programa educativo integral y un framework de deep learning diseñado para enseñar aprendizaje profundo práctico usando PyTorch a través de notebooks y ejemplos de código. Sirve como una librería de alto nivel para construir, entrenar y desplegar redes neuronales, actuando como un orquestador de entrenamiento de modelos que coordina modelos de PyTorch, optimizadores y funciones de pérdida. El proyecto proporciona kits de herramientas especializados para visión artificial, procesamiento de lenguaje natural y preprocesamiento de datos tabulares. Se distingue por controles de entrenamiento avanzados como tasas de aprendizaje discriminativas, un sistema de callbacks bidireccional para personalizar la lógica de entrenamiento y una abstracción de learner de alto nivel que automatiza la colocación en dispositivos y los bucles de entrenamiento. El framework cubre una amplia superficie de capacidades, incluyendo la construcción automatizada de pipelines de datos, análisis de arquitectura de modelos y evaluación de rendimiento en tareas de clasificación, regresión y segmentación. También incluye utilidades para entrenamiento distribuido en múltiples GPUs, entrenamiento de precisión mixta para optimización de memoria y soporte especializado para datos de imágenes médicas. El proyecto se entrega como una serie de Jupyter Notebooks.

RecBole is a PyTorch-based recommendation framework designed for building, training, and evaluating a wide variety of recommendation algorithms. It serves as a standardized benchmark environment that allows for the comparison of different model architectures using public datasets and consistent evaluation metrics. The project provides specialized toolkits for sequential recommendation and knowledge-graph integration, enabling the prediction of item sequences based on user history or the incorporation of structured external knowledge. It includes a dedicated hyperparameter optimization engine

Amazon DSSTNE es un kit de herramientas de machine learning y librería de redes de tensores dispersos diseñada para modelos de deep learning con entradas y salidas dispersas. Proporciona un framework de entrenamiento paralelo al modelo y un motor disperso acelerado por GPU para soportar redes intensivas en memoria. El framework está diseñado específicamente para el entrenamiento de sistemas de recomendación y aprendizaje disperso a gran escala. Permite la distribución de grandes matrices de pesos y tablas de embedding a través de múltiples dispositivos GPU para manejar modelos que exceden la capacidad de memoria de un solo procesador. El proyecto cubre una amplia gama de capacidades, incluyendo computación distribuida en GPU, procesamiento de datasets dispersos y la construcción de redes de tensores dispersos escalables. Estas utilidades permiten la ejecución de operaciones de machine learning de alto rendimiento y el escalado de modelos a través de clústeres de GPU.

PaddleRec es una biblioteca de recomendación de aprendizaje profundo y framework de entrenamiento de modelos distribuidos basado en el framework PaddlePaddle. Proporciona una suite de algoritmos y modelos a escala industrial para emparejamiento de usuarios y ranking de contenido personalizado. El proyecto incluye un motor de inferencia de recomendación para exportar y servir modelos entrenados a entornos de producción para solicitudes en línea en tiempo real. Permite la implementación de algoritmos de recomendación de aprendizaje profundo para procesar conjuntos de datos de comportamiento masivos. El framework cubre el entrenamiento de modelos a gran escala a través de clústeres de computación distribuida y el desarrollo de sistemas para clasificar elementos basados en preferencias personales.

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

Horizon is a reinforcement learning platform designed for training, evaluating, and deploying agents and contextual bandits using historical data. It serves as an off-policy engine and offline policy evaluation tool, allowing decision-making policies to be optimized and tested without the need for a live simulator. The framework specializes in recommendation system optimization, specifically using slating-based reinforcement learning to optimize the ordering and sequencing of multiple recommendations. It also functions as a contextual bandit framework that manages the balance between explorat

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

Recommendable es una biblioteca de Ruby diseñada para integrar motores de recomendación directamente en aplicaciones respaldadas por bases de datos. Proporciona un framework para rastrear las interacciones del usuario, como me gusta, no me gusta y marcadores, para construir perfiles de interés detallados y generar sugerencias de contenido personalizadas. El motor destaca por utilizar filtrado colaborativo para identificar relaciones entre elementos basadas en el comportamiento superpuesto del usuario. Admite tanto sugerencias personalizadas adaptadas a las preferencias individuales como clasificaciones de popularidad agregadas que muestran contenido de tendencia en todo el conjunto de datos. El sistema gestiona tareas computacionales pesadas a través de procesamiento en segundo plano asíncrono, asegurando que la puntuación de similitud y las actualizaciones de recomendaciones no afecten la capacidad de respuesta de la aplicación. Los desarrolladores pueden extender aún más el motor utilizando ganchos de ciclo de vida que activan lógica comercial personalizada cada vez que cambian las preferencias del usuario, o iniciando manualmente recálculos fuera de las colas automatizadas estándar.