rr-zecho's starred repositories
Datasets-for-Recommender-Systems
This is a repository of a topic-centric public data sources in high quality for Recommender Systems (RS)
deep-recommender-system
深度学习在推荐系统中的应用及论文小结。
SparrowRecSys
A Deep Learning Recommender System
newbee-mall
🔥 🎉newbee-mall是一套电商系统，包括基础版本(Spring Boot+Thymeleaf)、前后端分离版本(Spring Boot+Vue 3+Element-Plus+Vue-Router 4+Pinia+Vant 4) 、秒杀版本、Go语言版本、微服务版本(Spring Cloud Alibaba+Nacos+Sentinel+Seata+Spring Cloud Gateway+OpenFeign+ELK)。 前台商城系统包含首页门户、商品分类、新品上线、首页轮播、商品推荐、商品搜索、商品展示、购物车、订单结算、订单流程、个人订单管理、会员中心、帮助中心等模块。 后台管理系统包含数据面板、轮播图管理、商品管理、订单管理、会员管理、分类管理、设置等模块。
AI-RecommenderSystem
该仓库尝试整理推荐系统领域的一些经典算法模型
Spark-ALS-CF
Spark实践：音乐个性化推荐——基于ALS矩阵分解的协同过滤算法
item_cf_go
实现一个电影推荐系统，采用协同过滤算法，，相似度算法为余弦相似度，基于用户和基于项目中选择基于项目数据集为movielens数据集
website-recommend_goods
python实现产品推荐算法。根据用户与产品的行为，产生三种推荐方式：产品-相关产品；用户-相关用户；用户-推荐用户没有使用过的产品。 他们分别对应recommend.py里的sim_pearson, topMatch, getRecommend方法。 sim_distance方法给出了比较简单的相关度计算方法：两个用户之间的二维空间距离。用以代替sim_pearson。
recommenders
Best Practices on Recommendation Systems
Tencent2019_Finals_Rank1st
2019腾讯广告算法大赛完整代码（冠军）
ai_explore
机器学习、深度学习基础知识. 推荐系统及nlp相关算法实现
recommenderSystemBasedOnSpark
基于spark的推荐系统的实现（电影推荐系统）
Film-recommendation-system
Film recommendation system.python KNN Collaborative filtering system and spark.系统详细介绍，请看电影推荐系统文档。
Dissertation
毕业设计-主动学习推荐系统的实现
Memory-based-collaborative-filtering
高效的协同过滤算法实现——推荐系统
Personalized-recommend
基于tensorflow的个性化电影推荐系统实战(有前端)
Recommend-System-tf2.0
原理解析及代码实战，推荐算法也可以很简单 🔥 想要系统的学习推荐算法的小伙伴，欢迎 Star 或者 Fork 到自己仓库进行学习🚀 有任何疑问欢迎提 Issues，也可加文末的联系方式向我询问！
Music-Top-Recommend
利用用户画像数据、物品元数据、用户行为数据为特征构建推荐系统，使用CB和CF算法做推荐召回，使用 Redis数 据库做缓存处理，结合机器学习LR算法推荐排序，达到粗排、精排效果，实现推荐引擎搭建。
You-are-Pythonista
汇聚【Python应用】【Python实训】【Python技术分享】等等
seq2seq-couplet
Play couplet with seq2seq model. 用深度学习对对联。
keras-idiomatic-programmer
Books, Presentations, Workshops, Notebook Labs, and Model Zoo for Software Engineers and Data Scientists wanting to learn the TF.Keras Machine Learning framework
2018AICity_TeamUW
The winning method in Track 1 and Track 3 at the 2nd AI City Challenge Workshop in CVPR 2018 - Official Implementation