Awesome GitHub RepositoriesKnowledge Graph Recommendations

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

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.

OpenKE est un framework d'embedding de graphes de connaissances conçu pour transformer des graphes de connaissances structurés en représentations vectorielles de faible dimension. Il fonctionne comme une bibliothèque pour l'apprentissage de représentation et un ensemble d'outils pour convertir les entités et les relations en embeddings numériques. Le projet inclut un moteur de prédiction de liens pour évaluer la probabilité des relations entre les entités et identifier les faits manquants dans les graphes à grande échelle. Il fournit un outil de prétraitement dédié pour mapper les chaînes d'entités et de relations brutes en identifiants numériques pour l'entraînement en apprentissage automatique. Les capacités du framework couvrent le cycle de vie complet de l'embedding de graphes, notamment le prétraitement des données, l'apprentissage de représentation et l'analyse de prédiction de liens.