TOP 10 開源的推薦系統(tǒng)簡介 - hmy1106的專欄 - 博客頻道 - CSDN.NET
http://blog.csdn.net/hmy1106/article/details/44623703
最 近這兩年推薦系統(tǒng)特別火，本文搜集整理了一些比較好的開源推薦系統(tǒng)，即有輕量級的適用于做研究的SVDFeature、LibMF、LibFM等，也有重 量級的適用于工業(yè)系統(tǒng)的 Mahout、Oryx、EasyRecd等，供大家參考。PS：這里的top 10僅代表個人觀點。
1.SVDFeature
主頁：http://svdfeature.apexlab.org/wiki/Main_Page 語言：C++一個feature-based協(xié)同過濾和排序工具，由上海交大Apex實驗室開發(fā)，代碼質(zhì)量較高。在KDD Cup 2012中獲得第一名，KDD Cup 2011中獲得第三名，相關論文 發(fā)表在2012的JMLR中，這足以說明它的高大上。SVDFeature 包含一個很靈活的Matrix Factorization推薦框架，能方便的實現(xiàn)SVD、SVD++等方法, 是單模型推薦算法中精度最高的一種。SVDFeature代碼精煉，可以用 相對較少的內(nèi)存實現(xiàn)較大規(guī)模的單機版矩陣分解運算。另外含有Logistic regression的model，可以很方便的用來進行ensemble。
2.LibMF
主頁：http://www.csie.ntu.edu.tw/~cjlin/libmf/ 語言：C++作者Chih-Jen Lin來自大名鼎鼎的臺灣國立大學，他們在機器學習領域享有盛名，近年連續(xù)多屆KDD Cup競賽上均 獲得優(yōu)異成績，并曾連續(xù)多年獲得冠軍。臺灣大學的風格非常務實，業(yè)界常用的LibSVM， Liblinear等都是他們開發(fā)的，開源代碼的效率和質(zhì)量都非常高。LibMF 在矩陣分解的并行化方面作出了很好的貢獻，針對SGD（隨即梯度下降）優(yōu)化方法在并行計算中存在的locking problem和memory discontinuity問題，提出了一種 矩陣分解的高效算法FPSGD（Fast Parallel SGD），根據(jù)計算節(jié)點的個數(shù)來劃分評分矩陣block，并分配計算節(jié)點。系統(tǒng)介紹可以見這篇 論文（ACM Recsys 2013的 Best paper Award）。
3.LibFM
主頁：http://www.libfm.org/ 語言：C++作者是德國Konstanz大學的Steffen Rendle，他用LibFM同時玩轉KDD Cup 2012 Track1和Track2兩個子競賽單元，都取得了很好的成績，說明LibFM是非常管用的利器。LibFM 是專門用于矩陣分解的利器，尤其是其中實現(xiàn)了MCMC（Markov Chain Monte Carlo）優(yōu)化算法，比常見的SGD優(yōu)化方法精度要高，但運算速度要慢一些。當然LibFM中還 實現(xiàn)了SGD、SGDA（Adaptive SGD）、ALS（Alternating Least Squares）等算法。
4.Lenskit
主頁：http://lenskit.grouplens.org/ 語言Java
這個Java開發(fā)的開源推薦系統(tǒng)，來自美國的明尼蘇達大學的GroupLens團隊，也是推薦領域知名的測試數(shù)據(jù)集Movielens的作者。該源碼托管在GitHub上，https://github.com/grouplens/lenskit。 主要包含lenskit-api,lenskit-core, lenskit-knn,lenskit-svd,lenskit-slopone,lenskit-parent,lenskit-data- structures,lenskit-eval,lenskit-test等模塊，主要實現(xiàn)了k-NN，SVD，Slope-One等 典型的推薦系統(tǒng)算法。
5.GraphLab
主頁：GraphLab - Collaborative Filtering 語言：C++Graphlab 是基于C++開發(fā)的一個高性能分布式graph處理挖掘系統(tǒng)，特點是對迭代的并行計算處理能力強（這方面是hadoop的弱項），由于功能獨 到，GraphLab在業(yè)界名聲很響。 用GraphLab來進行大數(shù)據(jù)量的random walk或graph-based的推薦算法非常有效。Graphlab雖然名氣比較響亮（CMU開發(fā)），但是對一般數(shù)據(jù)量的應用來說可能還用不上。GraphLab 主要實現(xiàn)了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative Matrix Factorization，Restarted Lanczos Algorithm等算法。
6.Mahout
主頁：http://mahout.apache.org/ 語言：JavaMahout 是 Apache Software Foundation (ASF) 開發(fā)的一個全新的開源項目，其主要目標是創(chuàng)建一些可伸縮的機器學習算法，供開發(fā)人員在 Apache 在許可下免費 使用。Mahout項目是由 Apache Lucene社區(qū)中對機器學習感興趣的一些成員發(fā)起的，他們希望建立一個可靠、文檔翔實、可伸縮的項目，在其中實現(xiàn)一些常見的用于 聚類和分類的機器學習算法。該社區(qū)最初基于 Ngetal. 的文章 “Map-Reduce for Machine Learning on Multicore”，但此后在發(fā)展中又并入了更多廣泛的機器學習 方法，包括Collaborative Filtering（CF），Dimensionality Reduction，Topic Models等。此外，通過使用 Apache Hadoop 庫，Mahout 可以有效地擴展到云中。在Mahout的Recommendation類算法中，主要有User-Based CF，Item-Based CF，ALS，ALS on Implicit Feedback，Weighted MF，SVD++，Parallel SGD等。
7.Myrrix
主頁：http://myrrix.com/ 語言：JavaMyrrix 最初是Mahout的作者之一Sean Owen基于Mahout開發(fā)的一個試驗性質(zhì)的推薦系統(tǒng)。目前Myrrix已經(jīng)是一個完整的、實時的、可擴展的集群和推薦系統(tǒng)，主要 架構分為兩部分：服務層：在線服務，響應請求、數(shù)據(jù)讀入、提供實時推薦；計算層：用于分布式離線計算，在后臺使用分布式機器學習算法為服務層更新機器學習 模型。Myrrix使用這兩個層構建了一個完整的推薦系統(tǒng)，服務層是一個HTTP服務器，能夠接收更新，并在毫秒級別內(nèi)計算出更新結果。服務層可以單獨使 用，無需 計算層，它會在本地運行機器學習算法。計算層也可以單獨使用，其本質(zhì)是一系列的Hadoop jobs。目前Myrrix以被 Cloudera 并入Oryx項目。
8.EasyRec
主頁：http://easyrec.org/ 語言：JavaEasyRec 是一個易集成、易擴展、功能強大且具有可視化管理的推薦系統(tǒng)，更像一個完整的推薦產(chǎn)品，包括了數(shù)據(jù)錄入模塊、管理模塊、推薦挖掘、離線分析等。 EasyRec可以同時給多個不同的網(wǎng)站提供推薦服務，通過tenant來區(qū)分不同的網(wǎng)站。架設EasyRec服務器，為網(wǎng)站申請tenant，通過 tenant就可以很方便的集成到 網(wǎng)站中。通過各種不同的數(shù)據(jù)收集（view,buy.rating）API收集到網(wǎng)站的用戶行為，EasyRec通過離線分析，就可以產(chǎn)生推薦信息，您的 網(wǎng)站就可以通過 Recommendations和Community Rankings來進行推薦業(yè)務的實現(xiàn)。
9.Waffles
主頁：http://waffles.sourceforge.net/ 語言：C++Waffles 英文原意是蜂蜜甜餅，在這里卻指代一個非常強大的機器學習的開源工具包。Waffles里包含的算法特別多，涉及機器學習的方方面面，推薦系統(tǒng)位于 其中的Waffles_recommend tool，大概只占整個Waffles的1/10的內(nèi)容，其它還有分類、聚類、采樣、降維、數(shù)據(jù)可視化、音頻處理等許許多多工具包，估計 能與之媲美的也就數(shù)Weka了。
10.RapidMiner
主頁：http://rapidminer.com/ 語言：JavaRapidMiner（前 身是Yale）是一個比較成熟的數(shù)據(jù)挖掘解決方案，包括常見的機器學習、NLP、推薦、預測等方法（推薦只占其中很小一部分），而且?guī)в蠫UI的 數(shù)據(jù)分析環(huán)境，數(shù)據(jù)ETL、預處理、可視化、評估、部署等整套系統(tǒng)都有。另外RapidMiner提供commercial license，提供R語言接口，感覺在向著一個商用的 數(shù)據(jù)挖掘公司的方向在前進。======================================分割線======================================
開 源的推薦系統(tǒng)大大小小的還有很多，以上只是介紹了一些在學術界和工業(yè)界比較流行的TOP 10，而且基本上都是用C++/Java實現(xiàn)的，在參考資料[1]、[2]中還提 到的有Crab（Python）、CofiRank（C++）、MyMediaLite（.NET/C#）、PREA（Java）、Python- recsys（Python）、Recommendable（Ruby）、Recommenderlab（R）、 Oryx（Java）、recommendify（Ruby）、RecDB（SQL）等等，當然GitHub上還有更多。。。即有適合單機運行的，也有適 合集群的。雖然使用的編程語言不同，但實現(xiàn) 的算法都大同小異，主要是SVD、SGD、ALS、MF、CF及其改進算法等。
參考資料
[1]推薦系統(tǒng)開源軟件列表匯總和點評[2]開源中國社區(qū) - 搜索：推薦系統(tǒng)
Original Link: http://ibillxia.github.io/blog/2014/03/10/top-10-open-source-recommendation-systems/Attribution - NON-Commercial - ShareAlike - Copyright ? Bill Xia
原文出處：@Cheedoong
相關鏈接
想通過手機客戶端（支持 Android、iPhone 和 Windows Phone）訪問開源中國：請點這里
本站文章除注明轉載外，均為本站原創(chuàng)或編譯歡迎任何形式的轉載，但請務必注明出處，尊重他人勞動共創(chuàng)開源社區(qū)轉載請注明：文章轉載自：開源中國社區(qū) [http://www.oschina.net]本文標題：TOP 10 開源的推薦系統(tǒng)簡介本文地址：http://www.oschina.net/news/51297/top-10-open-source-recommendation-systems
后續(xù)
1、著名的數(shù)據(jù)挖掘工具
http://www.cs.waikato.ac.nz/~ml/weka/downloading.html
