常见的推荐系统框架

1）Microsoft Recommender：

该框架由微软开发，可以免费使用，主要提供了包括一般功能（Common Utilities）、大数据功能（Dataset Utilities）、评价功能（Evaluation Utilities）和微调功能（Tuning Utilities），支持各种常见的推荐系统方法，以协同过滤方法为主。

URL为：https://github.com/recommenders-team/recommenders

2）LibRec

这是一个基于Java的推荐系统模块，大约有70种算法 

URL为：https://github.com/guoguibing/librec?tab=readme-ov-file

3）lenskit

lenskit是GroupLens研究团队提供的协同过滤算法模块，使用Python编写。

URL为：https://lenskit.org

4）Mahout

Apache Mahout是一个功能强大、可扩展且通用的机器学习库，专为分布式数据处理而设计。它为各种任务提供了一套全面的算法，包括分类、聚类、推荐和模式挖掘，其中包括协同过滤算法。Mahout建立在Apache Hadoop生态系统之上，利用MapReduce和Spark实现大规模数据集上的数据处理。

URL为：https://mahout.apache.org

5）Crab

Crab是一个比较灵活、快速的Python推荐模块，它集成了科学Python包（numpy、scipy、matplotlib）中的各类经典过滤推荐算法。

URL为：https://github.com/muricoca/crab

6）SVDFeature

SVDFeature是使用C++语言编写的基于内容的矩阵分解协同过滤算法模块，可以解决基于内容的矩阵分解问题，允许建立包含诸如动态时间、邻域关系和层次信息等辅助信息的因子分解模型。

URL为：SVDFeature: A Toolkit for Feature-based Collaborative Filtering

7）Vogoo PHP LIB

Vogoo PHP LIB是使用PHP语言编写的协同过滤算法模型。

URL为：Vogoo PHP LIB download | SourceForge.net

8）MyMediaLite

MyMediaLite是基于C#.NET的公共语言运行库（CLR）的推荐系统库，主要提供了协同过滤推荐算法中的评分预测和仅来自正面反馈的项目预测（如点击、点赞或购买动作）。

URL为：MyMediaLite Recommender System Library

9）recommenderlab

recommenderlab是一个用于开发和评估各类常见协同过滤推荐算法的R语言模块。具体功能包括用户项目矩阵的稀疏表示、流行算法验证、TopN推荐和交叉验证等。支持评分数据集和一元隐式数据集。

URL为：https://github.com/mhahsler/recommenderlab

10）CaseRecommender

CaseRecommender是一个基于Python的开源推荐系统算法模块，提供了很多流行推荐算法的Python实现，用于隐式和显式反馈。

URL为：https://github.com/caserec/CaseRecommender

11）CARSKit

CARSKit是一个开源的基于Java的情境感知推荐引擎，同时还提供了DeepCARSKit，它是一个开源深度学习上下文感知推荐模块。

URL为：https://github.com/irecsys/CARSKit?tab=readme-ov-file

12）TagRec

TagRec是一个使用Java编写的简单通用标签（Tag）推荐器模块，还同时提供了包含处理数据集的算法（如p核修剪、留一或80/20分割、LDA主题创建和为其他推荐算法创建输入文件等）。

URL为：https://github.com/learning-layers/TagRec

13）Tag Recommender

Tag Recommender是一个使用C++语言实现的基于张量因子分解的个性化标签推荐模块。

URL为：Tag Recommender