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 este un framework de recomandare bazat pe PyTorch, conceput pentru construirea, antrenarea și evaluarea unei mari varietăți de algoritmi de recomandare. Servește ca mediu de benchmark standardizat care permite compararea diferitelor arhitecturi de modele folosind seturi de date publice și metrici de evaluare consistente. Proiectul oferă toolkit-uri specializate pentru recomandare secvențială și integrarea knowledge-graph-urilor, permițând predicția secvențelor de elemente pe baza istoricului utilizatorului sau încorporarea de cunoștințe externe structurate. Include un motor dedicat de optimizare a hiperparametrilor care utilizează grid search și optimizare Bayesiană pentru a ajusta configurațiile modelelor. Framework-ul acoperă o gamă largă de capabilități, inclusiv gestionarea datelor pentru standardizarea log-urilor de interacțiune, pipeline-uri de antrenare cu sincronizare distribuită a gradientului și execuție cu precizie mixtă, și instrumente cuprinzătoare de evaluare pentru ranking-ul candidaților și analiza diversității. Suportă mai multe tipuri de recomandare, cum ar fi filtrarea colaborativă generală și predicția ratei de click (CTR). Biblioteca este implementată în Python și utilizează PyTorch pentru framework-ul său de recomandare subiacent.

OpenKE este un framework de embedding pentru grafuri de cunoștințe conceput pentru a transforma grafurile de cunoștințe structurate în reprezentări vectoriale de dimensiuni reduse. Acesta funcționează ca o bibliotecă pentru învățarea reprezentărilor și un set de instrumente pentru convertirea entităților și relațiilor în embedding-uri numerice. Proiectul include un motor de predicție a legăturilor pentru a evalua probabilitatea relațiilor dintre entități și a identifica faptele lipsă în grafuri la scară largă. Oferă un instrument dedicat de preprocesare pentru a mapa șirurile brute de entități și relații în identificatori numerici pentru antrenarea modelelor de machine learning. Capabilitățile framework-ului acoperă întregul ciclu de viață al embedding-ului de grafuri, inclusiv preprocesarea datelor, învățarea reprezentărilor și analiza predicției legăturilor.