Liste de moteurs de recommandations

Voici une liste de solutions logicielles, open source ou propriétaires, en saas ou on premise.

Le recours à système de recommandation SaaS présente les avantages suivants: vous pouvez avec un minimum d’ investissement plutôt qu’un investissement initial important, ils ont généralement une voie d’intégration claire à utiliser et ils fournissent un développement et des améliorations continus pendant que vous utilisez il.

Moteurs de recommandation SaaS

1. Peerius: spécialisé sur les produits et le commerce électronique en live sur le site/l'application et via email. Perrius semble être très intéressant, bien que peu d’informations sur le produit réel et son fonctionnement soient disponibles.
2. Strands est un système propriétaire fermé, spécialisé sur la recommandation de produits et le commerce électronique. Il fonctionne apparement sur base de javascripts de tracking installé sur e site Web et via des widgets de recommandations. Strands publie par ailleurs, desétudes de cas, comme celle de  Wireless Emporium et de livres blancs comme la grande promesse des moteurs de recommandations. Bien que ceux-ci ne traitent pas exactement des solutions proposées, ils donnent un bon aperçu de la vision de l'entreprise et de ses objectifs en matière de recommandations.
3. SLI Systems Recommender est un système de recommandation propriétaire fermé axé sur le commerce électronique, la recherche et le mobile.
4. Utilisation de Hadoop sur Google Cloud: un exemple d'utilisation de Google Cloud avec des tests de performances provenant du système de recommandation.
5.  ParallelDots qui permet de lier des contenus online.
6. Amazon Machine Learning pour modéliser des données et créer des prévisions, notamment utilisable dans le domaine de la recommandation.
7. Azure ML : également plate-forme de Machine learning pour modéliser des données et créer des prévisions, notamment utilisable dans le domaine de la recommandation.
8. Gravity R & D est une société créée par des gagnants du prix Netflix 2009 (sur la recommandation). Ils offrent une solution qui fournit des recommandations ciblées et personnalisées aux utilisateurs de sites Web. Gravity affiche de très gros clients, dont DailyMotion, et une page technologique décrivant leur architecture, leurs algorithmes et une liste de publications. (suggéré par Marton Vetes )
9. Dressipi Style Adviser est un service de recommandation spécialisée dans la mode. Il se distingue à la fois par une connaissance approfondie du domaine et un système d'apprentissage automatique pour trouver des tenues pour des occasions ou des ambiances.
10. Sajari est un service de recherche, de recommandation et de mise en correspondance (pour site Web de rencontres, par exemple). Sur leur site, la société a également réuniesun ensemble de données utiles .
11. IBM Watson est disponible via Watson Developer Cloud, qui fournit des API REST ( API Watson sur Bluemix ) et des SDK utilisant l'informatique cognitive pour résoudre des problèmes complexes.
12. Recombee fournit une API REST, des kits de développement logiciel (SDK) pour plusieurs langues et une interface utilisateur graphique pour évaluer les résultats. Les fonctionnalités principales sont les mises à jour de modèles en temps réel , un langage de requête facile à utiliser pour le filtrage et la dynamisation en fonction de règles métier complexes, ainsi que des fonctionnalités avancées telles que des options permettant d'obtenir des recommandations particulièrement variées. Recombee propose un compte avec 100 000 demandes de recommandation gratuites par mois.
13. Segmentify, moteur de recommandation, de personnalisation et d’analyse en temps réel.
14. M. DLib, système de recommandation destiné aux organisations universitaires telles que les bibliothèques digitales. M. DLib fournit des recommandations sous forme d'articles connexes, est open source et publie la plupart de ses données .

Moteurs de recommandation Open Source

La plupart des systèmes de recommandation non SaaS qui sont op en source. Cela est peut-être dû au fait que les systèmes de recommandation sont plus adaptés aux clients et ne sont donc pas facilement transformés en produit.

Les systèmes de recommandation open-source sont:

1. PredictionIO repose sur les technologies Apache Spark , Apache HBase et Spray . C'est un serveur d'apprentissage machine qui peut être utilisé pour créer un système de recommandation. La source est sur github et elle a l’air très active.
2. Raccoon Recommendation Engine est un filtre collaboratif open source basé sur Node.js qui utilise Redis. Le projet n'est plus actif.
3. HapiGER est un moteur de filtrage collaboratif open source Node.js, qui peut utiliser en mémoire, PostgreSQL ou rethink db . Développement raisonnablement actif
4. Recommandations EasyRec basées sur Java et Rest. Le projet n'est plus actif.
5. Cornac est spécialisé dans l'exploration de données basée sur Hadoop / algèbre linéaire
6. Seldon est un moteur de prédiction basé sur Java et fondé sur des technologies telles qu'Apache Spark . Il fournit une application de recommandations de films de démonstration ici .
7. LensKit est un système de recommandation de recherche basé sur Java conçu pour les petites à moyennes entreprises.
8. Oryx v2 est une architecture à grande échelle pour l'apprentissage et la prédiction automatiques (suggéré par Lorand )
9. RecDB est une extension PostgreSQL permettant d'ajouter des algorithmes de recommandation tels que le filtrage collaboratif directement dans la base de données.
10. Crab est un recommandation python basée sur les paquets populaires NumPy, SciPy, matplotlib. Le référentiel principal semble être abandonné .
11. Predictor est un joyau de recommandation de rubis. Cela utilise le coefficient de Jaccard ou de Sorenson-Dice pour définir les deux éléments centraux, par exemple "Les utilisateurs qui lisent ce livre également lire ..." et, par exemple, "Vous lisez ces 10 livres, vous aimerez peut-être aussi lire ...".
12. Surprise Un scikit Python permettant de créer et d'analyser des systèmes de recommandation (filtrage collaboratif). Divers algorithmes sont intégrés, avec une focalisation sur la prédiction de notation.
13. LightFM est une implémentation Python, développée de manière active, d'un certain nombre d' algorithmes de recommandation basés sur le filtrage collaboratif ou sur le contenu. À l'aide de Cython, il évolue facilement jusqu'à de très data sets sur des machines multicœurs et est utilisé en production par un certain nombre de sociétés, notamment L yst et Catalant .
14. Rexy est un système de recommandation open source basé sur un concept général de User-Product-Tag et une structure flexible conçue pour être adaptable à un schéma de données variant. Rexy est écrit en Python-3.5 de manière très optimisée, Pythonic et complète, ce qui le rend si flexible face aux changements. Il utilise également Aerospike comme moteur de base de données, qui est une base de données NoSQL haute vitesse, évolutive et fiable .
15. QMF est une bibliothèque C ++ rapide et évolutive pour les modèles de factorisation matricielle à retour implicite.
16. tensorrec est un algorithme de recommandation TensorFlow et un framework en Python.
17. hermes est un cadre de recommandation pour les algorithmes de filtrage collaboratif et de contenu dans PySpark. Le référentiel principal a été abandonné .
18. Spotlight utilise un modèle de factorisation et un modèle de séquence en arrière-plan pour créer un système de recommandation de base. C'est un framework Python bien implémenté.
19. recommenderlab fournit une infrastructure de recherche pour tester et développer des algorithmes de recommandation, notamment UBCF, IBCF, FunkSVD et des algorithmes basés sur des règles d'association.
20. CaseRecommender est une implémentation en Python d'un certain nombre d'algorithmes de recommandation courants. La structure vise à fournir un ensemble riche de composants à partir desquels vous pouvez construire un système de recommandation personnalisé à partir d'un ensemble d'algorithmes.

Moteurs de recommandation de produits non SaaS

Peu de moteurs de recommandation non-SaaS non-OpenSource semblent exister. Ci-dessous une liste:

1. Dato est une société qui fournit un package python et des serveurs pour les applications commerciales de Machine Learning, notamment de nombreux algorithmes prédictifs pour les recommandations. Ils s’intègrent également avec Apache Spark et ont d’excellents articles de blog, tels que Pourquoi construire des systèmes de recommandation personnalisés est-il difficile? Est-ce que c'est obligatoire ? . Parmi leurs clients figurent Pandora et StumbleUpon.

Systèmes de recommandation académiques

Les systèmes de recommandation constituent un domaine de recherche très actif dans le monde universitaire, même si peu de systèmes sortent finalement des laboratoires.

1. Duine Framework est un système de recommandation basé sur Java. Le projet n'est plus actif.
2. Système de recommandation en mémoire basé sur MyMediaLite C #. Le projet n'est plus actif.
3.  Liste des mémoires de systèmes de recommandations , une liste utile pour suivre l'état actuel des systèmes de recommandations dans les universités
4. LibRec est un moteur de recommandations basé sur Java avec de nombreux algorithmes implémentés (suggéré par Saúl Vargas )
5. RankSys est un système de recommandation java spécialisée dans les nouveautés et la diversité créée b y Saúl Vargas )
6. LIBMF est une bibliothèque de factorisation matricielle pour les systèmes de recommandation
7. proNet-core est uncadre d'intégration de réseau générique qui fournit plusieurs modèles basés sur la factorisation pour les systèmes de recommandation
8. Devooght est un référentiel contenant des algorithmes de filtrage collaboratif basés sur des séquences.

Analyse comparative des systèmes de recommandation

Il est très difficile d'évaluer les systèmes de recommandation, non seulement parce qu'il est difficile d'obtenir de bons jeux de données, mais que des méthodes et des algorithmes différents présentent des avantages et des inconvénients qui sont difficiles à exposer.

Voici une liste de quelques outils d'analyse comparative:

1. Framework d'analyse comparative TagRec Tag Recommender
2. RiVaL est une boîte à outils open source pour l' évaluation du système de recommandation . Certains résultats sont affichés ici .
3. Idomaar est un cadre de référence pour les tests d'algorithmes recommandés. Il est développé dans le cadre du projet CrowdRec .

Applications en ligne reposant sur un moteur de recommandation

Outre les systèmes de recommandation génériques, j'ai décidé d'ajouter une liste d'applications dans lesquelles les recommandations constituent une offre de base, en particulier dans le domaine des recommandations relatives aux médias:

1. Oui est une application de recommandations Nah Movie basée sur GER
2. Jinni est un site de recommandation de films.
3. Recommandations de Gyde est un site de streaming.
4. TasteKid est un site de recommandations de films, de livres, de musiuq pour enfants.
5. Gnoosique est un service de recommandations de musique.
6. Service de recommandations de musique de Pandora basées sur les goûts et dégoûts ou les chansons
7. Criticker est un service de jeux et films de collaboration.
8. moviele ns.org est un service de recommandations de films ou de livres.
9. MAL basé uniquement sur les utilisateurs similaires rec et rec
10. NewsPortalUserInteractions est un grand jeu de données fourni par globo.com pour les recommandations d'actualités=
11. Solution de gestion ContentWise UX pour le divertissement multimédia numérique.

Livres sur les moteurs de recommandations

1. Systèmes de recommandation pratiques par Kim Falk
2. Manuel des systèmes de recommandation par Ricci, F. et al.