& & 一个非常轻量级的开源推荐系统，python开发，作者似乎只有一位，& & Python-recsys主要实现了SVD、Neighborhood SVD推荐算法，& & 这个项目麻雀虽小五脏俱全，评估数据（Movielens，Last.fm）、评估框架也都有API也很简单清晰，代码简洁。& & 项目主页：http://www./lib/view/home/9
声明：该文章系网友上传分享，此内容仅代表网友个人经验或观点，不代表本网站立场和观点；若未进行原创声明，则表明该文章系转载自互联网；若该文章内容涉嫌侵权，请及时向
上一篇：下一篇：
相关经验教程
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.005 收益
的原创经验被浏览，获得 ￥0.001 收益
的原创经验被浏览，获得 ￥0.001 收益个人推荐系统有哪些开源项目？
按时间排序
这是我本科毕设的部分代码，利用Hadoop实现了基于Item的协同过滤推荐算法；利用Mahout实现基于User的协同过滤推荐算法；以及利用Hadoop实现优化后的计算物品相似度和计算用户相似度的算法。
Appache Mahout
推荐系统手册中文版这本书14年12月末左右出版可以关注下
可以关注阿稳：
的博客，他们讲到很多
已有帐号？
无法登录？
社交帐号登录> 常见的个人博客系统有哪些?
常见的个人博客系统有哪些?
今天跟大家简单的介绍一下常见的博客系统有哪些： 一、WordPress博客系统 WordPress官网：http://cn.wordpress.org/ WordPress是基于PHP+MySQL开发的开源博客产品，是当前最热门的博客系统之一。不管是个人博客还是企业博客，多有着相当大的使用量！为什么有
今天跟大家简单的介绍一下常见的博客系统有哪些：
一、WordPress博客系统
WordPress官网：http://cn.wordpress.org/
WordPress是基于PHP+MySQL开发的开源博客产品，是当前最热门的博客系统之一。不管是个人博客还是企业博客，多有着相当大的使用量！为什么有这么多的用户喜欢它呢？我认为有以下几点：
1、安全性高
WordPress安全性高，勤勤恳恳的开发团队，程序的不断升级，WordPress已经到了非常完美的阶段，很少听闻WordPress被黑的案例。
就算你不会网页制作，同样也可以使博客变得很漂亮。因为WordPress模板众多，分分钟都有新的模板被制作完成并免费提供下载，国内也不乏优秀的WordPress模板开发者及模板下载平台。WordPress后台选择模板也非常方便，切换模板一键搞定。
3、强大的插件
插件是用来帮助WordPress扩展功能的，几乎你想要的每一样功能都能找到插件支持，并且往往不止一个选择。这一点是wordpress最强大的地方。
4、利于SEO优化
都说wordpress博客系统天生就受到搜索引擎的青睐，其实不难理解，博客系统结构简单，博客的性质也决定了网站文章原创度更高，还有WordPress简单的站内优化设置，后台生成伪静态。
5、安装简单
WordPress大概是最容易上手的网站程序了，程序安装5分钟搞定，就算是新手，也可以在半小时内学会搭建WordPress博客。后台傻瓜式管理，主题，插件，都可以在可视化后台按键完成，就算你不懂任何一句代码，也能轻松安装使用。
1、不能真正意义上实现静态化，只能实现伪静态。
2、但是不能安装太多插件，否则会拖累网站速度和降低用户体验
3、由于wordpress是php语言搭建的，在windows主机空间上并不能完美支持 wordpress，所以一般只能在linux主机上运行。
4、Wordpress转移与备份麻烦，需要涉及到数据库
二、Emlog博客系统
Emlog官网：http://www.emlog.net/
Emlog是基于PHP+MySQL开发，致力于提供快速、稳定，且在使用上又极其简单的博客系统。
1、强大插件功能
支持强大的插件扩展功能，随意选择实用的插件，让你的博客无限可能
2、自定义页面
轻松创建留言板、导航条、博主介绍等个性页面 足够小巧简单。
3、体积小、灵活
emlog博客系统几百k的数据让我们眼前一亮，相对于其他博客系统的来说，它显得非常小巧。
三、Z-Blog博客系统
Z-Blog官网：/
1、程序环境
Zblog博客系统是ASP程序，而且不用独立的数据库。相对于WordPress、emlog这两款程序有明显的优势，因为那两款是PHP环境，需要MYSQL数据库的支持。
2、页面静态化
Zblog程序只需要简单的配置，就可以实现页面静态化，页面静态化有利于搜索引擎的收录。
3、网站迁移
因为zblog不依赖于独立的数据库运行，在网站整站迁移过程中，只需要使用FTP直接下载，到另外一个主机上传，即可完成了迁移，整个迁移过程非常简单;WordPress、Emlog依赖独立的数据库，在网站迁移过程中都需要正确的备份好网站程序及数据库，迁移完成后，还要重新配置网站数据连接等等，整个过程就比zblog复杂多了。
缺点：Z-Blog博客的asp语言，由于asp捆绑在iis上，对主机空间的受到限制，并不能多平台使用。
总结：三大博客系统各有千秋，不过本人推荐使用wordpress。因为使用wordpress的人多，很多人又愿意为它开发插件，使其功能上很强大。模板也多，就算不会程序代码，同样也也可以使博客做的很漂亮，是建立博客首选之一
------分隔线----------------------------
Copyright &个性化推荐系统？1.SVDFeature主页： 语言：C++一个feature-based协同过滤和排序工具，由上海交大Apex实验室开发，代码质量较高。在KDD Cup 2012中获得第一名，KDD Cup 2011中获得第三名，相关论文 发表在2012的JMLR中，这足以说明它的高大上。SVDFeature包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用 相对较少的内存实现较大规模的单机版矩阵分解运算。另外含有Logistic regression的model，可以很方便的用来进行ensemble。2.LibMF主页： 语言：C++作者Chih-Jen Lin来自大名鼎鼎的台湾国立大学，他们在机器学习领域享有盛名，近年连续多届KDD Cup竞赛上均 获得优异成绩，并曾连续多年获得冠军。台湾大学的风格非常务实，业界常用的LibSVM， Liblinear等都是他们开发的，开源代码的效率和质量都非常高。LibMF在矩阵分解的并行化方面作出了很好的贡献，针对SGD（随即梯度下降）优化方法在并行计算中存在的locking problem和memory discontinuity问题，提出了一种 矩阵分解的高效算法FPSGD（Fast Parallel SGD），根据计算节点的个数来划分评分矩阵block，并分配计算节点。系统介绍可以见这篇 论文（ACM Recsys 2013的 Best paper Award）。3.LibFM主页： 语言：C++作者是德国Konstanz大学的Steffen Rendle，他用LibFM同时玩转KDD Cup 2012 Track1和Track2两个子竞赛单元，都取得了很好的成绩，说明LibFM是非常管用的利器。LibFM是专门用于矩阵分解的利器，尤其是其中实现了MCMC（Markov Chain Monte Carlo）优化算法，比常见的SGD优化方法精度要高，但运算速度要慢一些。当然LibFM中还 实现了SGD、SGDA（Adaptive SGD）、ALS（Alternating Least Squares）等算法。4.Lenskit主页： 语言Java这个Java开发的开源推荐系统，来自美国的明尼苏达大学的GroupLens团队，也是推荐领域知名的测试数据集Movielens的作者。该源码托管在GitHub上，。主要包含lenskit-api,lenskit-core, lenskit-knn,lenskit-svd,lenskit-slopone,lenskit-parent,lenskit-data-structures,lenskit-eval,lenskit-test等模块，主要实现了k-NN，SVD，Slope-One等 典型的推荐系统算法。5.GraphLab主页：GraphLab - Collaborative Filtering 语言：C++Graphlab是基于C++开发的一个高性能分布式graph处理挖掘系统，特点是对迭代的并行计算处理能力强（这方面是hadoop的弱项），由于功能独到，GraphLab在业界名声很响。 用GraphLab来进行大数据量的random walk或graph-based的推荐算法非常有效。Graphlab虽然名气比较响亮（CMU开发），但是对一般数据量的应用来说可能还用不上。GraphLab主要实现了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative Matrix Factorization，Restarted Lanczos Algorithm等算法。6.Mahout主页： 语言：JavaMahout 是 Apache Software Foundation (ASF) 开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在 Apache 在许可下免费 使用。Mahout项目是由 Apache Lucene社区中对机器学习感兴趣的一些成员发起的，他们希望建立一个可靠、文档翔实、可伸缩的项目，在其中实现一些常见的用于 聚类和分类的机器学习算法。该社区最初基于 Ngetal. 的文章 “Map-Reduce for Machine Learning on Multicore”，但此后在发展中又并入了更多广泛的机器学习 方法，包括Collaborative Filtering（CF），Dimensionality Reduction，Topic Models等。此外，通过使用 Apache Hadoop 库，Mahout 可以有效地扩展到云中。在Mahout的Recommendation类算法中，主要有User-Based CF，Item-Based CF，ALS，ALS on Implicit Feedback，Weighted MF，SVD++，Parallel SGD等。7.Myrrix主页： 语言：JavaMyrrix最初是Mahout的作者之一Sean Owen基于Mahout开发的一个试验性质的推荐系统。目前Myrrix已经是一个完整的、实时的、可扩展的集群和推荐系统，主要 架构分为两部分：服务层：在线服务，响应请求、数据读入、提供实时推荐；计算层：用于分布式离线计算，在后台使用分布式机器学习算法为服务层更新机器学习 模型。Myrrix使用这两个层构建了一个完整的推荐系统，服务层是一个HTTP服务器，能够接收更新，并在毫秒级别内计算出更新结果。服务层可以单独使用，无需 计算层，它会在本地运行机器学习算法。计算层也可以单独使用，其本质是一系列的Hadoop jobs。目前Myrrix以被 Cloudera 并入Oryx项目。8.EasyRec主页： 语言：JavaEasyRec是一个易集成、易扩展、功能强大且具有可视化管理的推荐系统，更像一个完整的推荐产品，包括了数据录入模块、管理模块、推荐挖掘、离线分析等。 EasyRec可以同时给多个不同的网站提供推荐服务，通过tenant来区分不同的网站。架设EasyRec服务器，为网站申请tenant，通过tenant就可以很方便的集成到 网站中。通过各种不同的数据收集（view,buy.rating）API收集到网站的用户行为，EasyRec通过离线分析，就可以产生推荐信息，您的网站就可以通过 Recommendations和Community Rankings来进行推荐业务的实现。9.Waffles主页： 语言：C++Waffles英文原意是蜂蜜甜饼，在这里却指代一个非常强大的机器学习的开源工具包。Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于 其中的Waffles_recommend tool，大概只占整个Waffles的1/10的内容，其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包，估计 能与之媲美的也就数Weka了。10.RapidMiner主页： 语言：JavaRapidMiner（前身是Yale）是一个比较成熟的数据挖掘解决方案，包括常见的机器学习、NLP、推荐、预测等方法（推荐只占其中很小一部分），而且带有GUI的 数据分析环境，数据ETL、预处理、可视化、评估、部署等整套系统都有。另外RapidMiner提供commercial license，提供R语言接口，感觉在向着一个商用的 数据挖掘公司的方向在前进。
已有帐号？
无法登录？
社交帐号登录当前访客身份：游客 [
当前位置：
TOP 10 开源的推荐系统简介
最 近这两年推荐系统特别火，本文搜集整理了一些比较好的开源推荐系统，即有轻量级的适用于做研究的SVDFeature、LibMF、LibFM等，也有重 量级的适用于工业系统的 Mahout、Oryx、EasyRecd等，供大家参考。PS：这里的top 10仅代表个人观点。
主页：&语言：C++一个feature-based协同过滤和排序工具，由上海交大Apex实验室开发，代码质量较高。在KDD Cup 2012中获得第一名，KDD Cup 2011中获得第三名，相关论文 发表在2012的JMLR中，这足以说明它的高大上。SVDFeature 包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, &是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用 相对较少的内存实现较大规模的单机版矩阵分解运算。另外含有Logistic &regression的model，可以很方便的用来进行ensemble。
主页：&语言：C++作者来自大名鼎鼎的台湾国立大学，他们在机器学习领域享有盛名，近年连续多届KDD Cup竞赛上均 获得优异成绩，并曾连续多年获得冠军。台湾大学的风格非常务实，业界常用的LibSVM， Liblinear等都是他们开发的，开源代码的效率和质量都非常高。LibMF 在矩阵分解的并行化方面作出了很好的贡献，针对SGD（随即梯度下降）优化方法在并行计算中存在的locking problem和memory &discontinuity问题，提出了一种 矩阵分解的高效算法FPSGD（Fast Parallel &SGD），根据计算节点的个数来划分评分矩阵block，并分配计算节点。系统介绍可以见这篇&（ACM Recsys 2013的 Best paper Award）。
主页：&语言：C++作者是德国Konstanz大学的Steffen Rendle，他用LibFM同时玩转KDD Cup 2012 Track1和Track2两个子竞赛单元，都取得了很好的成绩，说明LibFM是非常管用的利器。LibFM 是专门用于矩阵分解的利器，尤其是其中实现了MCMC（Markov Chain Monte &Carlo）优化算法，比常见的SGD优化方法精度要高，但运算速度要慢一些。当然LibFM中还 实现了SGD、SGDA（Adaptive &SGD）、ALS（Alternating Least Squares）等算法。
主页：&语言Java
这个Java开发的开源推荐系统，来自美国的明尼苏达大学的GroupLens团队，也是推荐领域知名的测试数据集Movielens的作者。该源码托管在GitHub上，。 主要包含lenskit-api,lenskit-core, &lenskit-knn,lenskit-svd,lenskit-slopone,lenskit-parent,lenskit-data- structures,lenskit-eval,lenskit-test等模块，主要实现了k-NN，SVD，Slope-One等 &典型的推荐系统算法。
主页：&语言：C++Graphlab 是基于C++开发的一个高性能分布式graph处理挖掘系统，特点是对迭代的并行计算处理能力强（这方面是hadoop的弱项），由于功能独 到，GraphLab在业界名声很响。 用GraphLab来进行大数据量的random &walk或graph-based的推荐算法非常有效。Graphlab虽然名气比较响亮（CMU开发），但是对一般数据量的应用来说可能还用不上。GraphLab 主要实现了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative &Matrix Factorization，Restarted Lanczos Algorithm等算法。
主页：&语言：JavaMahout &是 Apache Software Foundation (ASF) &开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在 Apache 在许可下免费 使用。Mahout项目是由 &Apache Lucene社区中对机器学习感兴趣的一些成员发起的，他们希望建立一个可靠、文档翔实、可伸缩的项目，在其中实现一些常见的用于 &聚类和分类的机器学习算法。该社区最初基于 Ngetal. 的文章 “Map-Reduce for Machine Learning on &Multicore”，但此后在发展中又并入了更多广泛的机器学习 方法，包括Collaborative &Filtering（CF），Dimensionality Reduction，Topic Models等。此外，通过使用 Apache &Hadoop 库，Mahout 可以有效地扩展到云中。在Mahout的Recommendation类算法中，主要有User-Based CF，Item-Based CF，ALS，ALS on Implicit Feedback，Weighted MF，SVD++，Parallel SGD等。
主页：&语言：JavaMyrrix 最初是Mahout的作者之一Sean &Owen基于Mahout开发的一个试验性质的推荐系统。目前Myrrix已经是一个完整的、实时的、可扩展的集群和推荐系统，主要 &架构分为两部分：服务层：在线服务，响应请求、数据读入、提供实时推荐；计算层：用于分布式离线计算，在后台使用分布式机器学习算法为服务层更新机器学习 & 模型。Myrrix使用这两个层构建了一个完整的推荐系统，服务层是一个HTTP服务器，能够接收更新，并在毫秒级别内计算出更新结果。服务层可以单独使 用，无需 计算层，它会在本地运行机器学习算法。计算层也可以单独使用，其本质是一系列的Hadoop jobs。目前Myrrix以被 &Cloudera 并入Oryx项目。
主页：&语言：JavaEasyRec 是一个易集成、易扩展、功能强大且具有可视化管理的推荐系统，更像一个完整的推荐产品，包括了数据录入模块、管理模块、推荐挖掘、离线分析等。 &EasyRec可以同时给多个不同的网站提供推荐服务，通过tenant来区分不同的网站。架设EasyRec服务器，为网站申请tenant，通过 tenant就可以很方便的集成到 &网站中。通过各种不同的数据收集（view,buy.rating）API收集到网站的用户行为，EasyRec通过离线分析，就可以产生推荐信息，您的 网站就可以通过 Recommendations和Community Rankings来进行推荐业务的实现。
主页：&语言：C++Waffles 英文原意是蜂蜜甜饼，在这里却指代一个非常强大的机器学习的开源工具包。Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于 &其中的Waffles_recommend &tool，大概只占整个Waffles的1/10的内容，其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包，估计 &能与之媲美的也就数Weka了。
主页：&语言：JavaRapidMiner（前 身是Yale）是一个比较成熟的数据挖掘解决方案，包括常见的机器学习、NLP、推荐、预测等方法（推荐只占其中很小一部分），而且带有GUI的 &数据分析环境，数据ETL、预处理、可视化、评估、部署等整套系统都有。另外RapidMiner提供commercial &license，提供R语言接口，感觉在向着一个商用的 数据挖掘公司的方向在前进。======================================分割线======================================
开 源的推荐系统大大小小的还有很多，以上只是介绍了一些在学术界和工业界比较流行的TOP &10，而且基本上都是用C++/Java实现的，在参考资料[1]、[2]中还提 &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，当然GitHub上还有更多。。。即有适合单机运行的，也有适 合集群的。虽然使用的编程语言不同，但实现 的算法都大同小异，主要是SVD、SGD、ALS、MF、CF及其改进算法等。
Original Link:&Attribution - NON-Commercial - ShareAlike - Copyright &&
原文出处：
想通过手机客户端（支持 Android、iPhone 和 Windows Phone）访问开源中国：
旧一篇： 2年前
新一篇： 2年前
你也许会喜欢
一个都看不懂
2楼：凉风微软
在用Mmahout.
3楼：张亦俊 来自
我只听过台湾那个
4楼：陈天逸
大部分机器学习相关的，用过一些，几乎是标准模块
5楼：neo-chen
高大上，离我太远
6楼：橙汁儿
引用来自“neo-chen”的评论高大上，离我太远+10086
7楼：e241138
把动弹的TOP10算法开源了呢
8楼：东厢里的一只喵
不是++就java，小白菜不会用啊，飘过~
9楼：xiebiao80
重点关注啊
10楼：sunday12345
引用来自“e241138”的评论还以为
把动弹的TOP10算法开源了呢动弹的TOP10应该是 架构，而非算法吧~~~
16:18 (非会员)
Loser 们，你们好啊
12楼：明月照大江
前面那几个找到了真正的大学生的感觉了
13楼：狂热的猴子
发现C++和JAVA平分秋色
别的语言呢 不见了?
14楼：pauli
引用来自“狂热的猴子”的评论看了一遍
发现C++和JAVA平分秋色
别的语言呢 不见了?是的，我也纳闷。可能搞这些研究的，都是学术性的人？像 php，ruby，Python等等，都是应用为主吧
15楼：狂热的猴子
引用来自“狂热的猴子”的评论看了一遍
发现C++和JAVA平分秋色
别的语言呢 不见了?引用来自“pauli”的评论是的，我也纳闷。可能搞这些研究的，都是学术性的人？像 php，ruby，Python等等，都是应用为主吧见过用python写算法的
php和ruby确实以应用为主
16楼：akirakazu
看看这些程序员做的图标，惨不忍睹
17楼：hangvo
学术性较实用性强？貌似上面十个有些是库，有些是整套环境？
18楼：hangvo
Myrrix好像网站链接不对啊，在我这里页面只是显示了pageok
19楼：MarvinGuo
有没有应用场景的例子？
20楼：卜库塔
牛X ，都是搞算法的
与内容无关的评论将被删除，严重者禁用帐号
本周热点资讯
本站最新资讯}