推荐系统和协同过滤 介绍 推荐系统是数据科学在工业中的重要应用。 它们几乎在任何地方都可以使用。 例如，向亚马逊上的用户推荐商品，在Pandora上的歌曲以及在Netflix上的电影/节目。 推荐系统有两种通用方法： 协作过滤是一种使用客户过去的行为或等级以及其他客户的类似决定向客户推荐产品的方法，以预测哪些商品可能吸引原始客户。 基于内容的筛选通过使用商品的特征向客户推荐产品，以推荐具有类似属性的其他商品。 我将在此博客文章中介绍协作过滤，因为它非常流行，并且能够准确地推荐复杂的项目，而无需了

推荐系统库 该存储库提供了我们对推荐系统的研究摘要。 它包括我们基于不同推荐主题的代码，全面的阅读列表和一组bechmark数据集。 代码库 目前，我们对顺序推荐，基于特征的推荐和社交推荐感兴趣。 顺序推荐 由于用户的兴趣自然是动态的，因此对用户的顺序行为进行建模可以了解用户当前兴趣的上下文表示，从而提供更准确的建议。 在此项目中，我们包括一些采用先进序列建模技术的最新顺序推荐器，例如马尔可夫链（MC），递归神经网络（RNN），时间卷积神经网络（TCN）和自专心神经网络（变压器）。 基于功能的推

awesome-recommender-systems：关于Recommender Systems的精选资源精选清单