推荐系统开源软件列表汇总和点评

红太狼 2022-08-22 14:29 249阅读 0赞

来源：http://blog.csdn.net/cserchen/article/details/14231153

# [推荐系统开源软件列表汇总和点评][Link 1] #

标签： [算法][Link 2][数据挖掘][Link 3][开源项目][Link 4][开源软件][Link 5][机器学习][Link 6]

2013-11-06 18:35  23783人阅读  [评论][Link 7](6)  收藏  [举报][Link 8]

![category_icon.jpg][]  分类：

推荐引擎系统（25） ![arrow_triangle_20_down.jpg][]

我收集和整理的目前互联网上所能找到的知名开源推荐系统(open source project for recommendation system)，并附上了个人的一些简单点评（未必全面准确），

这方面的中文资料很少见，希望对国内的朋友了解掌握推荐系统有帮助

陈运文

**SVDFeature**

由上海交大的同学开发的，C++语言，代码质量很高 。去年我们参加KDD竞赛时用过，非常好用，而且出自咱们国人之手，所以置顶推荐！

项目地址：

[http://svdfeature.apexlab.org/wiki/Main\_Page][http_svdfeature.apexlab.org_wiki_Main_Page]

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运算

![Center][]

Crab

项目地址：

[http://geektell.com/story/crab-recommender-systems-in-python/][http_geektell.com_story_crab-recommender-systems-in-python]

![Center 1][]

系统的Tutorial可以看这里：

[http://muricoca.github.io/crab/][http_muricoca.github.io_crab]

Crab是基于Python开发的开源推荐软件，其中实现有item和user的协同过滤。据说更多算法还在开发中，

Crab的python代码看上去很清晰明了，适合一读

CofiRank

C++开发的 Collaborative Filtering算法的开源推荐系统，但似乎2009年后作者就没有更新了，

CofiRank依赖boost库，联编会比较麻烦。不是特别推荐

项目地址：

[http://www.cofirank.org/][http_www.cofirank.org]

EasyRec

Java开发的推荐系统，感觉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，整个系统比较完备。

项目地址：

[http://easyrec.org/][http_easyrec.org]

![Center 2][]

![Image 1][]

**GraphLab**

项目地址：

[http://graphlab.org/][http_graphlab.org]

![SouthEast][]

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

![Image 1][]

Lenskit

[http://lenskit.grouplens.org/][http_lenskit.grouplens.org]

这个Java开发的开源推荐系统，来自美国的明尼苏达大学，也是推荐领域知名的测试数据集Movielens的作者，

他们的推荐系统团队，在学术圈内的影响力很大，很多新的学术思想会放到这里

![SouthEast 1][]

Mahout

网址

[http://mahout.apache.org/][http_mahout.apache.org]

![Image 1][]

Mahout知名度很高，是Apache基金资助的重要项目，在国内流传很广，并已经有一些中文相关书籍了。注意Mahout是一个分布式机器学习算法的集合，协同过滤只是其中的一部分。除了被称为Taste的分布式协同过滤的实现（Hadoop-based，另有pure Java版本），Mahout里还有其他常见的机器学习算法的分布式实现方案。

![SouthEast 2][]

另外Mahout的作者之一Sean Owen基于Mahout开发了一个试验性质的推荐系统，称为Myrrix, 可以看这里：

[http://myrrix.com/quick-start/][http_myrrix.com_quick-start]

**MyMediaLite**

[http://mymedialite.net/index.html][http_mymedialite.net_index.html]

基于.NET框架的C\#开发（也有Java版本），作者基本来自德国、英国等欧洲的一些高校。

除了提供了常见场景的推荐算法，MyMediaLite也有Social Matrix Factorization这样独特的功能

尽管是.Net框架，但也提供了Python、Ruby等脚本语言的调用API

MyMediaLite的作者之一Lars Schmidt在2012年KDD会议上专门介绍过他们系统的一些情况，可惜由于.Net开发框架日渐式微，MyMediaLite对Windows NT Server的系统吸引力大些，LAMP网站用得很少

LibFM

项目网址：

[http://www.libfm.org/][http_www.libfm.org]

作者是德国Konstanz University的Steffen Rendle，去年KDD Cup竞赛上我们的老对手，他用LibFM同时玩转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（虽然在Track1上被我们打败了，hiahia）

顾名思义，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（随即梯度下降）优化方法精度要高（当然也会慢一些）

![SouthEast 3][]

顺便八卦下，去年KDD会议上和Steffen当面聊过，他很腼腆而且喜欢偷笑，呵呵挺可爱。

**LibMF**

项目地址：

http://www.csie.ntu.edu.tw/~cjlin/libmf/

注意LibMF和上面的LibFM是两个不同的开源项目。这个LibMF的作者是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SDG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，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（Recsys 2013的 Best paper Award）

Y. Zhuang, W.-S. Chin, Y.-C. Juan, and C.-J. Lin. A Fast Parallel SGD for Matrix Factorization in Shared Memory Systems. Proceedings of ACM Recommender Systems 2013.

![Center 3][]

PREA

全名是 Personalized Recommendation Algorithms Toolkit, 开发语言为Java。也是一个轻量级的开源项目

项目网址：

[http://mloss.org/software/view/420/][http_mloss.org_software_view_420]

放在Mloss这个大project下。我个人感觉PREA还是比较简陋的，参加开发的三位工程师Joonseok Lee, Mingxuan Sun, Guy Lebanon更新频率很低，提供的资料也少。

不过Mloss下倒是能找到其他一些推荐开源项目

[http://mloss.org/software/tags/collaborative-filtering/][http_mloss.org_software_tags_collaborative-filtering]

Python-recsys

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，属于推荐入门的良好教材。

不过真正要用到实际系统中，还是得补充很多内容

github的地址位于

[https://github.com/ocelma/python-recsys][https_github.com_ocelma_python-recsys]

项目的介绍见：

[http://ocelma.net/software/python-recsys/build/html/][http_ocelma.net_software_python-recsys_build_html]

RapidMiner

项目网址为：

[http://rapidminer.com/][http_rapidminer.com]

Java语言开发，RapidMiner（前身是Yale）已经是一个比较成熟的数据挖掘解决方案了，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。

![SouthEast 4][]

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。

Recommendable

基于Ruby语言开发，实现了一些评分预测的推荐算法，但是整体感觉比较单薄，

github上地址如下：

[https://github.com/davidcelis/recommendable/][https_github.com_davidcelis_recommendable]

Recommenderlab

基于R语言开发的开源推荐程序，对经常使用R语言的工程师或者BI数据分析师来说，recommenderlab的出现绝对算得上是福音了

项目地址：

[http://cran.r-project.org/web/packages/recommenderlab/index.html][http_cran.r-project.org_web_packages_recommenderlab_index.html]

![SouthEast 5][]

基于Recommenderlab来开发推荐系统，代码会非常精简，因为推荐系统所依赖的user-item rating matrix对擅长处理向量运算的R语言来说再方便不过了，

但是在实际推荐系统中，需要考虑的问题和逻辑都比较复杂，用Recommenderlab不是很灵活。另外受限于R语言对内存的限制，Recommenderlab不太适用于过大规模的推荐应用

Waffles

SF地址：

[http://waffles.sourceforge.net/][http_waffles.sourceforge.net]

Waffles英文原意是蜂蜜甜饼（见logo），在这里却指代一个非常强大的机器学习的开源工具包，基于C++语言开发。

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）

![SouthEast 6][]

[Link 1]: http://blog.csdn.net/cserchen/article/details/14231153
[Link 2]: http://www.csdn.net/tag/%e7%ae%97%e6%b3%95
[Link 3]: http://www.csdn.net/tag/%e6%95%b0%e6%8d%ae%e6%8c%96%e6%8e%98
[Link 4]: http://www.csdn.net/tag/%e5%bc%80%e6%ba%90%e9%a1%b9%e7%9b%ae
[Link 5]: http://www.csdn.net/tag/%e5%bc%80%e6%ba%90%e8%bd%af%e4%bb%b6
[Link 6]: http://www.csdn.net/tag/%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0
[Link 7]: http://blog.csdn.net/cserchen/article/details/14231153#comments
[Link 8]: http://blog.csdn.net/cserchen/article/details/14231153#report
[category_icon.jpg]: /images/20220722/c1b7a0120466471d8b8a042a638bf256.png
[arrow_triangle_20_down.jpg]: /images/20220722/9ca527378f0b4924b56f25d89609f7a2.png
[http_svdfeature.apexlab.org_wiki_Main_Page]: http://svdfeature.apexlab.org/wiki/Main_Page
[Center]: /images/20220722/d05f8fe931294a479f1427718ab17a23.png
[http_geektell.com_story_crab-recommender-systems-in-python]: http://geektell.com/story/crab-recommender-systems-in-python/
[Center 1]: /images/20220722/14f4def2ba38446a996684c424f3a0b5.png
[http_muricoca.github.io_crab]: http://muricoca.github.io/crab/
[http_www.cofirank.org]: http://www.cofirank.org/
[http_easyrec.org]: http://easyrec.org/
[Center 2]: /images/20220722/a257f1ad147640fbaccf148d9669cc48.png
[Image 1]: 
[http_graphlab.org]: http://graphlab.org/
[SouthEast]: /images/20220722/8a0e3b31bcef4a0babd97cf22f5a7001.png
[http_lenskit.grouplens.org]: http://lenskit.grouplens.org/
[SouthEast 1]: /images/20220722/0a77ef7d4f7742d1b1ed912779f07a6f.png
[http_mahout.apache.org]: http://mahout.apache.org/
[SouthEast 2]: /images/20220722/50535f1550324b8d9f5aabac81fb020d.png
[http_myrrix.com_quick-start]: http://myrrix.com/quick-start/
[http_mymedialite.net_index.html]: http://mymedialite.net/index.html
[http_www.libfm.org]: http://www.libfm.org/
[SouthEast 3]: /images/20220722/d5e9420476524178b4138b6324cad032.png
[Center 3]: /images/20220722/da12593f566844759f63a2a5a551eb3a.png
[http_mloss.org_software_view_420]: http://mloss.org/software/view/420/
[http_mloss.org_software_tags_collaborative-filtering]: http://mloss.org/software/tags/collaborative-filtering/
[https_github.com_ocelma_python-recsys]: https://github.com/ocelma/python-recsys
[http_ocelma.net_software_python-recsys_build_html]: http://ocelma.net/software/python-recsys/build/html/
[http_rapidminer.com]: http://rapidminer.com/
[SouthEast 4]: /images/20220722/cb65120d027041daab0c628f64283a31.png
[https_github.com_davidcelis_recommendable]: https://github.com/davidcelis/recommendable/
[http_cran.r-project.org_web_packages_recommenderlab_index.html]: http://cran.r-project.org/web/packages/recommenderlab/index.html
[SouthEast 5]: /images/20220722/14f91fe7a9b64784a276d467ec457649.png
[http_waffles.sourceforge.net]: http://waffles.sourceforge.net/
[SouthEast 6]: /images/20220722/d144b497f2624a8a9d6bd7b4e2687182.png