推荐算法 开源

入门基础教程：《推荐系统实践》 项亮著；

现在比较流行的开源库mahout，能够与hadoop集成，里面实现了很多推荐算法、数据挖掘算法等；

还有一个完整的开源软件：easyrec，地址http://easyrec.org/；

一个基于mahout的推荐系统：Myrrix。

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
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

GraphLab

地址：http://graphlab.org/
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

Lenskit
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

MyMediaLite
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

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
项目的介绍见：
http://ocelma.net/software/python-recsys/build/html/

RapidMiner
项目网址为：
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。

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
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/
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）