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

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

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 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

Ce projet est une série de tutoriels de deep learning et un programme éducatif conçu pour enseigner les fondamentaux de PyTorch. Il sert de guide de formation structuré pour maîtriser l'architecture des réseaux de neurones, la différenciation automatique et l'utilisation des tenseurs et des graphes de calcul dynamiques. Le programme se concentre sur des implémentations pratiques, guidant spécifiquement le développement de systèmes de recommandation, de modèles publicitaires et de réseaux d'intérêt pour prédire les préférences des utilisateurs. Il fournit également un contenu pédagogique pour la prévision de séries temporelles et le traitement de données séquentielles. Le matériel couvre un large éventail de capacités de deep learning, incluant la construction de modèles pour la classification d'images et de texte ainsi que pour les données structurées. Il intègre des workflows pour l'accélération GPU, la visualisation des métriques d'entraînement et la création d'interfaces web pour tester les prédictions des modèles. Le projet est livré sous forme de collection de Jupyter Notebooks.

LightFM est une bibliothèque de recommandation Python et un framework de machine learning conçu pour prédire les préférences des utilisateurs. Il implémente un moteur de recommandation hybride qui combine le filtrage collaboratif avec le filtrage par contenu en intégrant les données d'interaction utilisateur-élément avec des métadonnées descriptives. Le système utilise la factorisation de matrice hybride pour apprendre des représentations latentes des utilisateurs et des éléments. Il est spécifiquement conçu pour gérer les feedbacks implicites, utilisant des fonctions de perte spécialisées telles que Weighted Approximate Rank Pairwise (WARP) et Bayesian Personalized Ranking (BPR) pour optimiser les préférences d'éléments pour les jeux de données manquant de notes négatives. La bibliothèque fournit des outils pour entraîner des modèles via la descente de gradient stochastique, calculer des prédictions de préférence d'éléments et évaluer la précision du modèle. Elle prend en charge le classement personnalisé des éléments et la prédiction du comportement des utilisateurs en synthétisant des matrices d'interaction avec des plongements de caractéristiques (embeddings).

Ce projet est un programme éducatif complet et un framework de deep learning conçu pour enseigner le deep learning pratique avec PyTorch via des notebooks et des exemples de code. Il sert de bibliothèque de haut niveau pour construire, entraîner et déployer des réseaux de neurones, agissant comme un orchestrateur d'entraînement de modèles qui coordonne les modèles PyTorch, les optimiseurs et les fonctions de perte. Le projet fournit des boîtes à outils spécialisées pour la vision par ordinateur, le traitement du langage naturel et le prétraitement de données tabulaires. Il se distingue par des contrôles d'entraînement avancés tels que des taux d'apprentissage discriminatifs, un système de callback bidirectionnel pour personnaliser la logique d'entraînement, et une abstraction de haut niveau qui automatise le placement sur périphérique et les boucles d'entraînement. Le framework couvre une large surface de capacités, y compris la construction automatisée de pipelines de données, l'analyse d'architecture de modèles et l'évaluation des performances sur des tâches de classification, de régression et de segmentation. Il inclut également des utilitaires pour l'entraînement distribué sur plusieurs GPU, l'entraînement en précision mixte pour l'optimisation de la mémoire, et un support spécialisé pour les données d'imagerie médicale. Le projet est livré sous forme d'une série de Jupyter Notebooks.

RecBole est un framework de recommandation basé sur PyTorch conçu pour construire, entraîner et évaluer une grande variété d'algorithmes de recommandation. Il sert d'environnement de benchmark standardisé qui permet la comparaison de différentes architectures de modèles en utilisant des jeux de données publics et des métriques d'évaluation cohérentes. Le projet fournit des boîtes à outils spécialisées pour la recommandation séquentielle et l'intégration de graphes de connaissances, permettant la prédiction de séquences d'éléments basées sur l'historique de l'utilisateur ou l'incorporation de connaissances externes structurées. Il inclut un moteur d'optimisation des hyperparamètres dédié qui utilise la recherche par grille et l'optimisation bayésienne pour ajuster les configurations de modèles. Le framework couvre un large éventail de capacités incluant la gestion des données pour standardiser les logs d'interaction, des pipelines d'entraînement avec synchronisation distribuée des gradients et exécution en précision mixte, et des outils d'évaluation complets pour le classement des candidats et l'analyse de diversité. Il prend en charge plusieurs types de recommandation, tels que le filtrage collaboratif général et la prédiction de taux de clic. La bibliothèque est implémentée en Python et utilise PyTorch pour son framework de recommandation sous-jacent.

Amazon DSSTNE is a machine learning toolkit and sparse tensor network library designed for deep learning models with sparse inputs and outputs. It provides a model-parallel training framework and a GPU-accelerated sparse engine to support memory-intensive networks. The framework is specifically designed for recommendation system training and large-scale sparse learning. It enables the distribution of large weight matrices and embedding tables across multiple GPU devices to handle models that exceed the memory capacity of a single processor. The project covers a broad range of capabilities in

PaddleRec est une bibliothèque de recommandation par apprentissage profond et un framework d'entraînement de modèle distribué basé sur le framework PaddlePaddle. Il fournit une suite d'algorithmes et de modèles à l'échelle industrielle pour le matching d'utilisateurs et le classement de contenu personnalisé. Le projet inclut un moteur d'inférence de recommandation pour exporter et servir des modèles entraînés vers des environnements de production pour des requêtes en ligne en temps réel. Il permet l'implémentation d'algorithmes de recommandation par apprentissage profond pour traiter des jeux de données comportementaux massifs. Le framework couvre l'entraînement de modèles à grande échelle sur des clusters de calcul distribués et le développement de systèmes pour classer les éléments en fonction des préférences personnelles.

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 est une bibliothèque Ruby conçue pour intégrer des moteurs de recommandation directement dans des applications basées sur des bases de données. Elle fournit un framework pour suivre les interactions des utilisateurs, telles que les likes, les dislikes et les favoris, afin de construire des profils d'intérêt détaillés et de générer des suggestions de contenu personnalisées. Le moteur se distingue en utilisant le filtrage collaboratif pour identifier les relations entre les éléments basées sur le comportement utilisateur qui se chevauche. Il prend en charge à la fois les suggestions personnalisées adaptées aux préférences individuelles et les classements de popularité agrégés qui font remonter le contenu tendance à travers l'intégralité du jeu de données. Le système gère les tâches computationnelles lourdes via un traitement asynchrone en arrière-plan, garantissant que le calcul de similarité et les mises à jour de recommandation n'impactent pas la réactivité de l'application. Les développeurs peuvent étendre davantage le moteur en utilisant des hooks de cycle de vie qui déclenchent une logique métier personnalisée chaque fois que les préférences utilisateur changent, ou en initiant manuellement des recalculs en dehors des files d'attente automatisées standard.