最近這兩年推薦系統特別火，本文搜集整理了一些比較好的開源推薦系統，即有輕量級的適用于做研究的SVDFeature、LibMF、LibFM等，也有重 量級的適用于工業系統的 Mahout、Oryx、EasyRecd等。PS：這里的top 10僅代表oschina觀點。

1. SVDFeature

上海交通大學 Apex實驗室 【C++】

項目主頁：http://svdfeature.apexlab.org/wiki/Main_Page

項目簡介：一個feature-based協同過濾和排序工具，由上海交大Apex實驗室開發，代碼質量較高。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 相對較少的內存實現較大規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

臺灣國立大學 【C++】

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

項目內容：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，近年連續多屆KDD Cup競賽上均 獲得優異成績，并曾連續多年獲得冠軍。臺灣大學的風格非常務實，業界常用的LibSVM， Liblinear等都是他們開發的，開源代碼的效率和質量都非常高。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），根據計算節點的個數來劃分評分矩陣block，并分配計算節點。系統介紹可以見這篇?論文（ACM Recsys 2013的 Best paper Award）。

3. Libfm

德國Konstanz大學 【C++】

項目主頁：http://www.libfm.org/?

項目內容：Steffen Rendle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，尤其是其中實現了MCMC（Markov Chain Monte ?Carlo）優化算法，比常見的SGD優化方法精度要高，但運算速度要慢一些。當然LibFM中還實現了SGD、SGDA（Adaptive ?SGD）、ALS （Alternating Least Squares）等算法。

4. LensKit

美國明尼蘇達大學 GroupLens團隊【Java】

項目主頁：http://lenskit.grouplens.org/?

項目內容：這個Java開發的開源推薦系統，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據集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，主要實現了k-NN，SVD，Slope-One等 ?典型的推薦系統算法。

5. GraphLab

美國卡耐基·梅隆大學【C++】

項目主頁：GraphLab - Collaborative Filtering

項目內容：Graphlab 是基于C++開發的一個高性能分布式graph處理挖掘系統，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在業界名聲很響。 用GraphLab來進行大數據量的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），但是對一般數據量的應用來說可能還用不上。GraphLab 主要實現了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative ?Matrix Factorization，Restarted Lanczos Algorithm等算法。

6. Mahout

Apache Software Foundation 【Java】

項目主頁：http://mahout.apache.org/?

項目內容：Mahout ?是 Apache Software Foundation (ASF) ?開發的一個全新的開源項目，其主要目標是創建一些可伸縮的機器學習算法，供開發人員在 Apache 在許可下免費 使用。Mahout項目是由 ?Apache Lucene社區中對機器學習感興趣的一些成員發起的，他們希望建立一個可靠、文檔翔實、可伸縮的項目，在其中實現一些常見的用于 ?聚類和分類的機器學習算法。該社區最初基于 Ngetal. 的文章 “Map-Reduce for Machine Learning on ?Multicore”，但此后在發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

Mahout變種 【Java】

項目主頁：http://myrrix.com/?

項目內容：Myrrix 最初是Mahout的作者之一Sean ?Owen基于Mahout開發的一個試驗性質的推薦系統。目前Myrrix已經是一個完整的、實時的、可擴展的集群和推薦系統，主要 ?架構分為兩部分：服務層：在線服務，響應請求、數據讀入、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，服務層是一個HTTP服務器，能夠接收更新，并在毫秒級別內計算出更新結果。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，其本質是一系列的Hadoop jobs。目前Myrrix以被 ?Cloudera 并入Oryx項目。

8. EasyREC

Austrian Federal Ministry of Science and Research 【Java】

項目主頁：http://easyrec.org/?

項目內容：EasyRec 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，更像一個完整的推薦產品，包括了數據錄入模塊、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站提供推薦服務，通過tenant來區分不同的網站。架設EasyRec服務器，為網站申請tenant，通過 tenant就可以很方便的集成到 ?網站中。通過各種不同的數據收集網站的用戶行為，EasyRec通過離線分析，就可以產生推薦信息，網站就可以通過 Recommendations和Community Rankings來進行推薦業務的實現。

9. Waffles

【C++】

項目主頁：http://waffles.sourceforge.net/?

項目內容：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，推薦系統位于其中的Waffles_recommend ?tool，大概只占整個Waffles的1/10的內容，其它還有分類、聚類、采樣、降維、數據可視化、音頻處理等許許多多工具包，估計 ?能與之媲美的也就數Weka了。

10. RapidMiner

【Java】

項目主頁：http://rapidminer.com/?

項目內容：RapidMiner（前身是Yale）是一個比較成熟的數據挖掘解決方案，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），而且帶有GUI的數據分析環境，數據ETL、預處理、可視化、評估、部署等整套系統都有。另外RapidMiner提供commercial ?license，提供R語言接口，感覺在向著一個商用的 數據挖掘公司的方向在前進。

總結

以上是生活随笔為你收集整理的十大开源推荐系统简介 [转自oschina]的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。