[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-robi56--Deep-Learning-for-Recommendation-Systems":3,"tool-robi56--Deep-Learning-for-Recommendation-Systems":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,2,"2026-04-07T11:33:18",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":80,"stars":83,"forks":84,"last_commit_at":85,"license":80,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":94,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},5072,"robi56\u002FDeep-Learning-for-Recommendation-Systems","Deep-Learning-for-Recommendation-Systems","This repository contains Deep Learning based articles , paper and repositories for Recommender Systems","Deep-Learning-for-Recommendation-Systems 是一个专注于推荐系统领域的深度学习资源合集。它系统地整理了大量基于深度学习的学术论文、技术文章及相关开源代码实现，旨在为构建高效的智能推荐引擎提供坚实的理论支撑与实践参考。\n\n在信息过载的今天，如何从海量数据中精准捕捉用户偏好并实现个性化推送，是业界面临的核心挑战。传统推荐算法往往难以处理复杂的非线性特征或冷启动问题，而本资源库通过汇集如卷积矩阵分解、循环神经网络、自编码器及注意力机制等前沿技术方案，为解决动态兴趣建模、跨域用户画像及内容感知推荐等难题提供了多样化的解决思路。其中收录的 YouTube 推荐系统论文等经典案例，更是展示了工业界落地深度学习的成功范式。\n\n该资源库特别适合人工智能研究人员、算法工程师及计算机专业的学生使用。对于希望深入探索推荐系统底层逻辑的研究者，这里提供了丰富的文献索引；对于需要快速复现模型或寻找工程灵感的开发者，配套的代码链接极具价值。无论是学术创新还是技术落地，Deep-Learning-for-Recommendation-Systems 都是连接理论与应用的重要桥梁","Deep-Learning-for-Recommendation-Systems 是一个专注于推荐系统领域的深度学习资源合集。它系统地整理了大量基于深度学习的学术论文、技术文章及相关开源代码实现，旨在为构建高效的智能推荐引擎提供坚实的理论支撑与实践参考。\n\n在信息过载的今天，如何从海量数据中精准捕捉用户偏好并实现个性化推送，是业界面临的核心挑战。传统推荐算法往往难以处理复杂的非线性特征或冷启动问题，而本资源库通过汇集如卷积矩阵分解、循环神经网络、自编码器及注意力机制等前沿技术方案，为解决动态兴趣建模、跨域用户画像及内容感知推荐等难题提供了多样化的解决思路。其中收录的 YouTube 推荐系统论文等经典案例，更是展示了工业界落地深度学习的成功范式。\n\n该资源库特别适合人工智能研究人员、算法工程师及计算机专业的学生使用。对于希望深入探索推荐系统底层逻辑的研究者，这里提供了丰富的文献索引；对于需要快速复现模型或寻找工程灵感的开发者，配套的代码链接极具价值。无论是学术创新还是技术落地，Deep-Learning-for-Recommendation-Systems 都是连接理论与应用的重要桥梁。","\n# Deep-Learning-for-Recommendation-Systems\nThis repository contains Deep Learning based Articles , Papers and Repositories for Recommendation Systems.\n## Papers\n\n1. Relational Stacked Denoising Autoencoder for Tag Recommendation by Hao Wang, Xingjian Shi, and Dit-Yan Yeung. AAAI 2015 \u003Cbr>\nSource:  http:\u002F\u002Fwanghao.in\u002Fpaper\u002FAAAI15_RSDAE.pdf\n2. Collaborative Deep Learning for Recommender Systems by Hao Wang, Naiyan Wang, and Dit-Yan Yeung. KDD 2015 \u003Cbr>\nSource: http:\u002F\u002Fwanghao.in\u002FCDL.htm, Code: https:\u002F\u002Fgithub.com\u002Fjs05212\u002FCDL\n3. Collaborative Recurrent Autoencoder: Recommend while Learning to Fill in the Blanks by Hao Wang, Xingjian Shi, and Dit-Yan Yeung. NIPS 2016 \u003Cbr>\nSource: https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6163-collaborative-recurrent-autoencoder-recommend-while-learning-to-fill-in-the-blanks\n4. Convolutional Matrix Factorization for Document Context-Aware Recommendation by Donghyun Kim, Chanyoung Park, Jinoh Oh, Seungyong Lee, Hwanjo Yu, RecSys 2016.\u003Cbr>\nSource: http:\u002F\u002Fdm.postech.ac.kr\u002F~cartopy\u002FConvMF\u002F, Code: https:\u002F\u002Fgithub.com\u002Fcartopy\u002FConvMF\n5. A Neural Autoregressive Approach to Collaborative Filtering by Yin Zheng et all.\u003Cbr>\nSource: http:\u002F\u002Fproceedings.mlr.press\u002Fv48\u002Fzheng16.pdf\n6. Collaborative Recurrent Neural Networks for Dynamic Recommender Systems by Young-Jun Ko. ACML 2016 \u003Cbr>\nSource: http:\u002F\u002Fproceedings.mlr.press\u002Fv63\u002Fko101.pdf\n7. Hybrid Recommender System based on Autoencoders by Florian Strub . 2016 \u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1606.07659.pdf\n8. Deep content-based music recommendation by Aaron van den Oord. \u003Cbr>\nSource: https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5004-deep-content-based-music-recommendation.pdf\n9. DeepPlaylist: Using Recurrent Neural Networks to Predict Song Similarity by Anusha Balakrishnan. \u003Cbr>\nSource: https:\u002F\u002Fcs224d.stanford.edu\u002Freports\u002FBalakrishnanDixit.pdf\n10.  Hybrid music recommender using content-based and social information by  Paulo Chiliguano .\u003Cbr>\nSource: http:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7472151\n11. CONTENT-AWARE COLLABORATIVE MUSIC RECOMMENDATION USING PRE-TRAINED NEURAL NETWORKS. \u003Cbr>\nSource: http:\u002F\u002Fismir2015.uma.es\u002Farticles\u002F290_Paper.pdf\n12.  TransNets: Learning to Transform for Recommendation  by Rose Catherine. \u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fabs\u002F1704.02298 \n13. Learning Distributed Representations from Reviews for Collaborative Filtering by  \tAmjad Almahairi. \u003Cbr> \t\nSource: http:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=2800192\n14. Ask the GRU: Multi-task Learning for Deep Text Recommendations by T Bansal. \u003Cbr> \nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1609.02116.pdf\n15.   A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems by Ali Mamdouh Elkahky.\u003Cbr>\nSource: http:\u002F\u002Fsonyis.me\u002Fpaperpdf\u002Ffrp1159-songA-www-2015.pdf\n16. Deep collaborative filtering via marginalized denoising auto-encoder by S Li.\u003Cbr>\nSource: https:\u002F\u002Fpdfs.semanticscholar.org\u002Fff29\u002F2f00055d8221c42d4831679db9d3872b6fbd.pdf\n17. Joint deep modeling of users and items using reviews for recommendation by L Zheng. \u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1701.04783\n18. Hybrid Collaborative Filtering with Neural Networks by Strub \nSource: https:\u002F\u002Fpdfs.semanticscholar.org\u002Ffcbd\u002F179590c30127cafbd00fd7087b47818406bc.pdf\n19. Trust-aware Top-N Recommender Systems with Correlative Denoising Autoencoder by Y Pan. \u003Cbr> \nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01760\n20. Neural Semantic Personalized Ranking for item cold-start recommendation by T Ebesu . \u003Cbr>\nSource: http:\u002F\u002Fwww.cse.scu.edu\u002F~yfang\u002FNSPR.pdf\n21. Representation Learning of Users and Items for Review Rating Prediction Using Attention-based Convolutional Neural Network by S Seo. \u003Cbr> \nSource: http:\u002F\u002Fmlrec.org\u002F2017\u002Fpapers\u002Fpaper8.pdf\n22. Collaborative Denoising Auto-Encoders for Top-N Recommender Systems by Y Wu. \u003Cbr>\nSource: http:\u002F\u002Falicezheng.org\u002Fpapers\u002Fwsdm16-cdae.pdf, Code: https:\u002F\u002Fgithub.com\u002Fjasonyaw\u002FCDAE\n23. Deep Neural Networks for YouTube Recommendations by Paul Covington. \u003Cbr> \nSource: https:\u002F\u002Fstatic.googleusercontent.com\u002Fmedia\u002Fresearch.google.com\u002Fen\u002F\u002Fpubs\u002Farchive\u002F45530.pdf\n24. Wide & Deep Learning for Recommender Systems by Heng-Tze Cheng.\u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.07792\n25. A Survey and Critique of Deep Learning on Recommender Systems by Lei Zheng.\u003Cbr> \nSource: http:\u002F\u002Fbdsc.lab.uic.edu\u002Fdocs\u002Fsurvey-critique-deep.pdf\n26. Restricted Boltzmann Machines for Collaborative Filtering by Ruslan Salakhutdinov. \u003Cbr>\nSource: http:\u002F\u002Fwww.machinelearning.org\u002Fproceedings\u002Ficml2007\u002Fpapers\u002F407.pdf , Code: https:\u002F\u002Fgithub.com\u002Ffelipecruz\u002FCFRBM\n27. Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation by Flavian Vasile. \u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1607.07326.pdf\n28.  Representation Learning and Pairwise Ranking for Implicit and Explicit Feedback in Recommendation Systems by Mikhail Trofimov \u003Cbr>\nSource: https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.00105\n29. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. IJCAI2017 \u003Cbr> Source:  https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.04247 , Code (provided by readers): https:\u002F\u002Fgithub.com\u002FLeavingseason\u002FOpenLearning4DeepRecsys\n30. Collaborative Filtering with Recurrent Neural Networks by Robin Devooght \u003Cbr> Source:  https:\u002F\u002Farxiv.org\u002Fpdf\u002F1608.07400.pdf\n31. Training Deep AutoEncoders for Collaborative Filtering by Oleksii Kuchaiev, Boris Ginsburg. \u003Cbr> Source: https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.01715 , Code: https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepRecommender\n32. Collaborative Variational Autoencoder for Recommender\nSystems by Xiaopeng Li and James She \u003Cbr> Source: http:\u002F\u002Feelxpeng.github.io\u002Fassets\u002Fpaper\u002FCollaborative_Variational_Autoencoder.pdf, Code: https:\u002F\u002Fgithub.com\u002Feelxpeng\u002FCollaborativeVAE\n33. Variational Autoencoders for Collaborative Filtering by Dawen Liang, Rahul G. Krishnan, Matthew D. Hoffman and Tony Jebara \u003Cbr> Source: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.05814.pdf, Code: https:\u002F\u002Fgithub.com\u002Fdawenl\u002Fvae_cf\n34. Neural Collaborative Filtering by Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu and Tat-Seng Chua \u003Cbr> Source: https:\u002F\u002Fwww.comp.nus.edu.sg\u002F~xiangnan\u002Fpapers\u002Fncf.pdf , Code : https:\u002F\u002Fgithub.com\u002Fhexiangnan\u002Fneural_collaborative_filtering\n Source: https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.05031\n35. Deep Session Interest Network for Click-Through Rate Prediction , Code : https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FDeepCTR \nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1905.06482v1.pdf\n36. AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks, Code: https:\u002F\u002Fgithub.com\u002Fshichence\u002FAutoInt \nSource: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1810.11921v2.pdf\n37. Product-based Neural Networks for User Response Prediction over Multi-field Categorical Data, Code: https:\u002F\u002Fgithub.com\u002FAtomu2014\u002Fproduct-nets-distributed\nSource: https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.00311\n\n\n## Blogs\n1. Deep Learning Meets Recommendation Systems by Wann-Jiun. \u003Cbr>\nSource: https:\u002F\u002Fblog.nycdatascience.com\u002Fstudent-works\u002Fdeep-learning-meets-recommendation-systems\u002F\n2. Machine Learning for Recommender systems\nSource: https:\u002F\u002Fmedium.com\u002Frecombee-blog\u002Fmachine-learning-for-recommender-systems-part-1-algorithms-evaluation-and-cold-start-6f696683d0ed\n3. Check out our new client-side integration support and deploy personalized recommendations faster\nSource: https:\u002F\u002Fmedium.com\u002Frecombee-blog\u002Fcheck-out-our-new-client-side-integration-support-and-deploy-personalized-recommendations-faster-7dd7bf5b6241\n\n\n## Workshops \n1. 2nd Workshop on Deep Learning for Recommender Systems , 27 August 2017. Como, Italy.\u003Cbr> \nSource: http:\u002F\u002Fdlrs-workshop.org\n2. THE AAAI-19 WORKSHOP ON RECOMMENDER SYSTEMS AND NATURAL LANGUAGE PROCESSING (RECNLP)\nSource: https:\u002F\u002Frecnlp2019.github.io\u002F\n3. The 4th Workshop on Health Recommender Systems co-located with ACM RecSys 2019\nSource: https:\u002F\u002Fhealthrecsys.github.io\u002F2019\u002F\n\n## Tutorials\n1. Deep Learning for Recommender Systems by Balázs Hidasi. [RecSys Summer School](http:\u002F\u002Fpro.unibz.it\u002Fprojects\u002Fschoolrecsys17\u002Fprogram.html), 21-25 August, 2017, Bozen-Bolzano. [Slides](https:\u002F\u002Fwww.slideshare.net\u002Fbalazshidasi\u002Fdeep-learning-in-recommender-systems-recsys-summer-school-2017)\n2. Deep Learning for Recommender Systems by Alexandros\tKaratzoglou and Balázs\tHidasi. RecSys2017 Tutorial. [Slides](https:\u002F\u002Fwww.slideshare.net\u002Fkerveros99\u002Fdeep-learning-for-recommender-systems-recsys2017-tutorial)\n3. Introduction to recommender Systems by Miguel González-Fierro. [Link](https:\u002F\u002Fgithub.com\u002Fmiguelgfierro\u002Fsciblog_support\u002Fblob\u002Fmaster\u002FIntro_to_Recommendation_Systems\u002FIntro_Recommender.ipynb)\n4. Collaborative Filtering using a RBM by Big Data University. [Link](https:\u002F\u002Fgithub.com\u002Fsantipuch590\u002Fdeeplearning-tf\u002Fblob\u002Fmaster\u002Fdl_tf_BDU\u002F4.RBM\u002FML0120EN-4.2-Review-CollaborativeFilteringwithRBM.ipynb)\n5. Building a Recommendation System in TensorFlow: Overview. [Link](https:\u002F\u002Fcloud.google.com\u002Fsolutions\u002Fmachine-learning\u002Frecommendation-system-tensorflow-overview)\n\n## Software\n1. Spotlight: deep learning recommender systems in PyTorch that utilizes factorization model and sequence model in the back end \u003Cbr>\nSource: https:\u002F\u002Fgithub.com\u002Fmaciejkula\u002Fspotlight\n\n2. Amazon DSSTNE: deep learning library by amazon (specially for recommended systems i.e. sparse data) \u003Cbr>\nSource: https:\u002F\u002Fgithub.com\u002Famzn\u002Famazon-dsstne\n\n3. Recoder: Large scale training of factorization models for Collaborative Filtering with PyTorch \u003Cbr>\nSource: https:\u002F\u002Fgithub.com\u002Famoussawi\u002Frecoder\n\n4. PredictionIO is built on technologies Apache Spark, Apache HBase and Spray. It is a machine learning server that can be used to create a recommender system. The source can be located on github and it looks very active. \nSource: https:\u002F\u002Fgithub.com\u002Fapache\u002Fpredictionio\n\n## Books\n1. Practical Recommender Systems by Kim Falk (Manning Publications). Chapter 1 \nSource: https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fpractical-recommender-systems\n2. Recommender Systems Handbook by Ricci, F. et al.\nSource: https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=1941884\n\n \n","# 推荐系统深度学习\n本仓库包含基于深度学习的推荐系统相关文章、论文和代码库。\n## 论文\n\n1. 用于标签推荐的关联堆叠去噪自编码器，作者：王浩、史兴健、杨德彦。AAAI 2015 \u003Cbr>\n来源：http:\u002F\u002Fwanghao.in\u002Fpaper\u002FAAAI15_RSDAE.pdf\n2. 推荐系统的协同深度学习，作者：王浩、王乃炎、杨德彦。KDD 2015 \u003Cbr>\n来源：http:\u002F\u002Fwanghao.in\u002FCDL.htm，代码：https:\u002F\u002Fgithub.com\u002Fjs05212\u002FCDL\n3. 协同循环自编码器：边推荐边学习填补缺失值，作者：王浩、史兴健、杨德彦。NIPS 2016 \u003Cbr>\n来源：https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6163-collaborative-recurrent-autoencoder-recommend-while-learning-to-fill-in-the-blanks\n4. 面向文档上下文感知推荐的卷积矩阵分解，作者：金东贤、朴灿荣、吴镇浩、李承勇、柳焕祚。RecSys 2016。\u003Cbr>\n来源：http:\u002F\u002Fdm.postech.ac.kr\u002F~cartopy\u002FConvMF\u002F，代码：https:\u002F\u002Fgithub.com\u002Fcartopy\u002FConvMF\n5. 基于神经自回归的协同过滤方法，作者：郑音等。\u003Cbr>\n来源：http:\u002F\u002Fproceedings.mlr.press\u002Fv48\u002Fzheng16.pdf\n6. 用于动态推荐系统的协同循环神经网络，作者：高英俊。ACML 2016 \u003Cbr>\n来源：http:\u002F\u002Fproceedings.mlr.press\u002Fv63\u002Fko101.pdf\n7. 基于自编码器的混合推荐系统，作者：弗洛里安·斯特鲁布。2016年\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1606.07659.pdf\n8. 深度内容-based音乐推荐，作者：亚伦·范登奥德。\u003Cbr>\n来源：https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5004-deep-content-based-music-recommendation.pdf\n9. DeepPlaylist：利用循环神经网络预测歌曲相似性，作者：阿努莎·巴拉克里希南。\u003Cbr>\n来源：https:\u002F\u002Fcs224d.stanford.edu\u002Freports\u002FBalakrishnanDixit.pdf\n10. 结合内容与社交信息的混合音乐推荐系统，作者：保罗·奇利瓜诺。\u003Cbr>\n来源：http:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7472151\n11. 基于预训练神经网络的内容感知协同音乐推荐。\u003Cbr>\n来源：http:\u002F\u002Fismir2015.uma.es\u002Farticles\u002F290_Paper.pdf\n12. TransNets：为推荐学习变换，作者：罗斯·凯瑟琳。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1704.02298\n13. 基于评论学习分布式表示以进行协同过滤，作者：阿姆贾德·阿尔马海里。\u003Cbr>\n来源：http:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=2800192\n14. 向GRU请教：用于深度文本推荐的多任务学习，作者：T·班萨尔。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1609.02116.pdf\n15. 一种用于推荐系统中跨领域用户建模的多视角深度学习方法，作者：阿里·曼杜赫·埃尔卡基。\u003Cbr>\n来源：http:\u002F\u002Fsonyis.me\u002Fpaperpdf\u002Ffrp1159-songA-www-2015.pdf\n16. 通过边缘化去噪自编码器实现深度协同过滤，作者：S·李。\u003Cbr>\n来源：https:\u002F\u002Fpdfs.semanticscholar.org\u002Fff29\u002F2f00055d8221c42d4831679db9d3872b6fbd.pdf\n17. 利用评论对用户和物品进行联合深度建模以用于推荐，作者：L·郑。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1701.04783\n18. 斯特鲁布的神经网络混合协同过滤\u003Cbr>\n来源：https:\u002F\u002Fpdfs.semanticscholar.org\u002Ffcbd\u002F179590c30127cafbd00fd7087b47818406bc.pdf\n19. 基于相关去噪自编码器的信任感知Top-N推荐系统，作者：Y·潘。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.01760\n20. 用于物品冷启动推荐的神经语义个性化排序，作者：T·埃贝苏。\u003Cbr>\n来源：http:\u002F\u002Fwww.cse.scu.edu\u002F~yfang\u002FNSPR.pdf\n21. 基于注意力机制的卷积神经网络，用于预测评论评分的用户和物品表示学习，作者：S·徐。\u003Cbr>\n来源：http:\u002F\u002Fmlrec.org\u002F2017\u002Fpapers\u002Fpaper8.pdf\n22. 用于Top-N推荐系统的协同去噪自编码器，作者：Y·吴。\u003Cbr>\n来源：http:\u002F\u002Falicezheng.org\u002Fpapers\u002Fwsdm16-cdae.pdf，代码：https:\u002F\u002Fgithub.com\u002Fjasonyaw\u002FCDAE\n23. 用于YouTube推荐的深度神经网络，作者：保罗·科文顿。\u003Cbr>\n来源：https:\u002F\u002Fstatic.googleusercontent.com\u002Fmedia\u002Fresearch.google.com\u002Fen\u002F\u002Fpubs\u002Farchive\u002F45530.pdf\n24. 推荐系统的Wide & Deep学习，作者：程恒泽。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.07792\n25. 关于推荐系统上深度学习的综述与评论，作者：郑雷。\u003Cbr>\n来源：http:\u002F\u002Fbdsc.lab.uic.edu\u002Fdocs\u002Fsurvey-critique-deep.pdf\n26. 用于协同过滤的受限玻尔兹曼机，作者：鲁斯兰·萨拉胡丁诺夫。\u003Cbr>\n来源：http:\u002F\u002Fwww.machinelearning.org\u002Fproceedings\u002Ficml2007\u002Fpapers\u002F407.pdf，代码：https:\u002F\u002Fgithub.com\u002Ffelipecruz\u002FCFRBM\n27. Meta-Prod2Vec——利用辅助信息进行产品嵌入以用于推荐，作者：弗拉维安·瓦西列。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1607.07326.pdf\n28. 推荐系统中针对隐式和显式反馈的表示学习与成对排序，作者：米哈伊尔·特罗菲莫夫。\u003Cbr>\n来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.00105\n29. DeepFM：基于因子分解机的神经网络，用于CTR预测。IJCAI2017 \u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.04247，代码（由读者提供）：https:\u002F\u002Fgithub.com\u002FLeavingseason\u002FOpenLearning4DeepRecsys\n30. 使用循环神经网络进行协同过滤，作者：罗宾·德沃格特。\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1608.07400.pdf\n31. 训练深度自编码器用于协同过滤，作者：奥列克谢·库恰耶夫、鲍里斯·金斯堡。\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.01715，代码：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepRecommender\n32. 用于推荐系统的协同变分自编码器，作者：李晓鹏和詹姆斯·谢。\u003Cbr> 来源：http:\u002F\u002Feelxpeng.github.io\u002Fassets\u002Fpaper\u002FCollaborative_Variational_Autoencoder.pdf，代码：https:\u002F\u002Fgithub.com\u002Feelxpeng\u002FCollaborativeVAE\n33. 用于协同过滤的变分自编码器，作者：梁大文、拉胡尔·G·克里希南、马修·D·霍夫曼和托尼·杰巴拉。\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.05814.pdf，代码：https:\u002F\u002Fgithub.com\u002Fdawenl\u002Fvae_cf\n34. 神经协同过滤，作者：何翔楠、廖丽姿、张汉旺、聂立强、胡霞和蔡达生。\u003Cbr> 来源：https:\u002F\u002Fwww.comp.nus.edu.sg\u002F~xiangnan\u002Fpapers\u002Fncf.pdf，代码：https:\u002F\u002Fgithub.com\u002Fhexiangnan\u002Fneural_collaborative_filtering\n来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.05031\n35. 用于点击率预测的深度会话兴趣网络，代码：https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FDeepCTR\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1905.06482v1.pdf\n36. AutoInt：通过自注意力神经网络自动学习特征交互，代码：https:\u002F\u002Fgithub.com\u002Fshichence\u002FAutoInt\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1810.11921v2.pdf\n37. 基于产品的神经网络，用于在多字段分类数据上预测用户响应，代码：https:\u002F\u002Fgithub.com\u002FAtomu2014\u002Fproduct-nets-distributed\u003Cbr> 来源：https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.00311\n\n## 博客\n1. 深度学习与推荐系统，作者：Wann-Jiun。\u003Cbr>\n来源：https:\u002F\u002Fblog.nycdatascience.com\u002Fstudent-works\u002Fdeep-learning-meets-recommendation-systems\u002F\n2. 推荐系统的机器学习\n来源：https:\u002F\u002Fmedium.com\u002Frecombee-blog\u002Fmachine-learning-for-recommender-systems-part-1-algorithms-evaluation-and-cold-start-6f696683d0ed\n3. 了解我们全新的客户端集成支持，更快地部署个性化推荐\n来源：https:\u002F\u002Fmedium.com\u002Frecombee-blog\u002Fcheck-out-our-new-client-side-integration-support-and-deploy-personalized-recommendations-faster-7dd7bf5b6241\n\n\n## 研讨会\n1. 第二届深度学习在推荐系统中的应用研讨会，2017年8月27日。意大利科莫。\u003Cbr> \n来源：http:\u002F\u002Fdlrs-workshop.org\n2. AAAI-19 推荐系统与自然语言处理研讨会（RECNLP）\n来源：https:\u002F\u002Frecnlp2019.github.io\u002F\n3. 第四届健康推荐系统研讨会，与 ACM RecSys 2019 同期举行\n来源：https:\u002F\u002Fhealthrecsys.github.io\u002F2019\u002F\n\n## 教程\n1. 深度学习在推荐系统中的应用，主讲人：Balázs Hidasi。[RecSys 夏季学校](http:\u002F\u002Fpro.unibz.it\u002Fprojects\u002Fschoolrecsys17\u002Fprogram.html)，2017年8月21日至25日，博尔扎诺。[幻灯片](https:\u002F\u002Fwww.slideshare.net\u002Fbalazshidasi\u002Fdeep-learning-in-recommender-systems-recsys-summer-school-2017)\n2. 深度学习在推荐系统中的应用，主讲人：Alexandros Karatzoglou 和 Balázs Hidasi。RecSys2017 教程。[幻灯片](https:\u002F\u002Fwww.slideshare.net\u002Fkerveros99\u002Fdeep-learning-for-recommender-systems-recsys2017-tutorial)\n3. 推荐系统入门，主讲人：Miguel González-Fierro。[链接](https:\u002F\u002Fgithub.com\u002Fmiguelgfierro\u002Fsciblog_support\u002Fblob\u002Fmaster\u002FIntro_to_Recommendation_Systems\u002FIntro_Recommender.ipynb)\n4. 使用 RBM 的协同过滤，来自大数据大学。[链接](https:\u002F\u002Fgithub.com\u002Fsantipuch590\u002Fdeeplearning-tf\u002Fblob\u002Fmaster\u002Fdl_tf_BDU\u002F4.RBM\u002FML0120EN-4.2-Review-CollaborativeFilteringwithRBM.ipynb)\n5. 在 TensorFlow 中构建推荐系统：概述。[链接](https:\u002F\u002Fcloud.google.com\u002Fsolutions\u002Fmachine-learning\u002Frecommendation-system-tensorflow-overview)\n\n## 软件\n1. Spotlight：基于 PyTorch 的深度学习推荐系统，后端同时利用因子分解模型和序列模型。\u003Cbr>\n来源：https:\u002F\u002Fgithub.com\u002Fmaciejkula\u002Fspotlight\n\n2. Amazon DSSTNE：亚马逊推出的深度学习库（尤其适用于推荐系统等稀疏数据场景）。\u003Cbr>\n来源：https:\u002F\u002Fgithub.com\u002Famzn\u002Famazon-dsstne\n\n3. Recoder：使用 PyTorch 进行大规模协同过滤因子分解模型训练。\u003Cbr>\n来源：https:\u002F\u002Fgithub.com\u002Famoussawi\u002Frecoder\n\n4. PredictionIO 基于 Apache Spark、Apache HBase 和 Spray 等技术构建，是一款可用于创建推荐系统的机器学习服务器。其源代码可在 GitHub 上找到，且项目非常活跃。\u003Cbr>\n来源：https:\u002F\u002Fgithub.com\u002Fapache\u002Fpredictionio\n\n## 书籍\n1. 实用推荐系统，作者：Kim Falk（Manning 出版社）。第一章\u003Cbr>\n来源：https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fpractical-recommender-systems\n2. 推荐系统手册，作者：Ricci, F. 等。\u003Cbr>\n来源：https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=1941884","# Deep-Learning-for-Recommendation-Systems 快速上手指南\n\n本项目是一个聚合了基于深度学习的推荐系统相关文章、论文、代码库、教程及软件工具的资源仓库，而非单一的独立软件包。本指南将指导开发者如何利用该仓库中的核心资源（特别是推荐的开源框架）快速搭建深度学习推荐系统环境并运行示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (Ubuntu\u002FCentOS), macOS 或 Windows (建议配合 WSL2 使用)。\n*   **Python 版本**：推荐 Python 3.8 及以上版本。\n*   **硬件要求**：\n    *   强烈建议使用支持 CUDA 的 NVIDIA GPU 以加速模型训练。\n    *   若无 GPU，可使用 CPU 模式运行小型数据集示例，但速度较慢。\n*   **前置依赖**：\n    *   `git`：用于克隆代码库。\n    *   `pip` 或 `conda`：Python 包管理工具。\n    *   深度学习框架：根据您选择的具体项目，通常需要安装 **PyTorch** 或 **TensorFlow**。\n\n> **国内加速建议**：\n> *   **Git 克隆加速**：若直接从 GitHub 克隆速度慢，可使用 Gitee 镜像（如有）或配置代理。\n> *   **Python 包下载**：推荐使用清华源或阿里源安装依赖。\n>     ```bash\n>     pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n>     ```\n> *   **PyTorch\u002FTensorFlow 安装**：请访问对应官网的“国内镜像”页面获取安装命令，或使用清华开源镜像站。\n\n## 安装步骤\n\n由于本仓库是资源列表，我们将以仓库中推荐的通用且活跃的 PyTorch 框架 **Spotlight** 为例进行安装演示（同时也适用于仓库中列出的其他如 `DeepCTR`, `CDAE` 等具体项目）。\n\n### 1. 克隆资源仓库（可选）\n如果您想浏览所有论文和链接，可以先克隆主仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmaciejkula\u002Fdeep-learning-recommenders.git\n# 注意：原仓库地址需替换为实际对应的 GitHub 地址，此处仅为示意，实际请直接访问各子项目\n```\n\n### 2. 创建虚拟环境\n建议使用 `conda` 或 `venv` 隔离环境：\n```bash\nconda create -n recsys python=3.9\nconda activate recsys\n```\n\n### 3. 安装深度学习框架\n**方案 A：使用 PyTorch (推荐，适配 Spotlight, Recoder 等项目)**\n使用清华源加速安装：\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n# 若无 GPU，使用 CPU 版本：\n# pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n```\n\n**方案 B：使用 TensorFlow (适配 DeepCTR, AutoInt 等项目)**\n```bash\npip install tensorflow\n```\n\n### 4. 安装具体推荐系统库\n以 **Spotlight** 为例：\n```bash\npip install spotlight\n```\n\n或者以 **DeepCTR** (仓库中提及的 Deep Session Interest Network 实现) 为例：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FDeepCTR.git\ncd DeepCTR\npip install -r requirements.txt\npip install .\n```\n\n## 基本使用\n\n以下展示如何使用 **Spotlight** 库快速构建并训练一个简单的矩阵分解（Matrix Factorization）推荐模型。这是深度学习推荐系统中最基础的入门示例。\n\n### 1. 准备数据\nSpotlight 内置了常用的 MovieLens 数据集加载器。\n\n### 2. 编写训练脚本\n创建一个名为 `train_model.py` 的文件，写入以下代码：\n\n```python\nfrom spotlight.interactions import Interactions\nfrom spotlight.factorization.explicit import ExplicitFactorizationModel\nfrom spotlight.evaluation import rmse_score\nfrom spotlight.datasets import movielens\n\n# 1. 加载数据 (使用 MovieLens 100k 数据集)\ndataset = movielens.get_movielens_dataset('100K')\ninteractions = dataset.interactions\n\n# 2. 定义模型\n# 使用隐式反馈或显式评分的矩阵分解模型\nmodel = ExplicitFactorizationModel(loss='regression',\n                                   n_factors=50, # 潜在因子维度\n                                   sparse=False)\n\n# 3. 训练模型\nprint(\"开始训练模型...\")\nmodel.fit(interactions, epochs=10, verbose=True)\n\n# 4. 评估模型 (计算 RMSE)\nrmse = rmse_score(model, interactions)\nprint(f\"模型测试集 RMSE: {rmse:.4f}\")\n\n# 5. 进行简单预测 (为用户 0 推荐前 5 个物品)\n# 注意：实际生产中需处理冷启动和新用户逻辑\nuser_id = 0\nscores = model.predict(user_id)\ntop_items = scores.argsort()[::-1][:5]\n\nprint(f\"为用户 {user_id} 推荐的物品 ID: {top_items}\")\n```\n\n### 3. 运行示例\n在终端执行脚本：\n```bash\npython train_model.py\n```\n\n### 进阶指引\n*   **复现论文代码**：若要复现 README 中列出的特定论文（如 NCF, ConvMF），请直接访问对应论文的 `Code` 链接（通常在 GitHub 上），克隆该项目后，参照其目录下的 `README.md` 或 `examples\u002F` 文件夹运行特定脚本。\n*   **使用 DeepCTR**：对于点击率（CTR）预估任务，可参考 DeepCTR 文档，使用 `DeepFM` 或 `AutoInt` 模型，只需几行代码即可构建复杂的特征交叉网络。\n\n通过以上步骤，您已成功利用该资源库中的工具搭建了基础的深度学习推荐系统流程。","某中型在线音乐流媒体平台的技术团队正致力于解决新用户和冷门歌曲的推荐准确率低下问题，试图从传统算法向深度学习架构转型。\n\n### 没有 Deep-Learning-for-Recommendation-Systems 时\n- **冷启动困境严重**：面对缺乏历史行为数据的新用户或新上架歌曲，传统协同过滤算法完全失效，只能随机推荐或依赖人工规则，导致用户流失率高。\n- **内容特征利用不足**：无法有效提取音频波形、歌词文本等深层语义特征，仅能依赖简单的标签匹配，导致推荐结果缺乏个性化深度。\n- **动态兴趣捕捉滞后**：难以实时建模用户听歌序列中的短期兴趣变化，无法像处理图像或文本那样利用 RNN 或 CNN 捕捉上下文关联。\n- **技术选型成本高昂**：团队需耗费数周时间在海量的学术论文中筛选适合音乐场景的模型（如 ConvMF 或 CDAE），且缺乏可靠的代码参考，研发周期被大幅拉长。\n\n### 使用 Deep-Learning-for-Recommendation-Systems 后\n- **突破冷启动瓶颈**：直接复用库中基于内容的深度学习论文（如 Deep content-based music recommendation），利用预训练神经网络提取歌曲音频特征，为新物品提供精准向量表示。\n- **深度融合多模态数据**：参考 Hybrid Recommender System based on Autoencoders 等方案，将用户评论、社交信息与音频内容联合建模，显著提升了推荐的语义相关性。\n- **实现序列动态感知**：引入 Collaborative Recurrent Neural Networks 架构，成功捕捉用户听歌列表的时间序列模式，实现了“猜你想听”的实时动态推荐。\n- **研发效率倍增**：团队直接定位到 YouTube 推荐系统等工业级落地论文及对应的开源代码实现，将原本数月的算法验证周期缩短至两周，快速完成原型上线。\n\nDeep-Learning-for-Recommendation-Systems 通过聚合前沿论文与可复现代码，将音乐推荐系统的研发从“盲目摸索”转变为“站在巨人肩膀上”的高效迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frobi56_Deep-Learning-for-Recommendation-Systems_b3f857b8.png","robi56","Rabindra Nath Nandi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frobi56_6860e961.jpg","Principal Software Engineer , working with Artificial Intelligence , Big data in BJIT Ltd . #3.6k stars","https:\u002F\u002Fwww.bjitgroup.com\u002F","Dhaka, Bangladesh","rabindro.rath@gmail.com",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Frnandi\u002F","https:\u002F\u002Fgithub.com\u002Frobi56",2878,705,"2026-04-06T16:32:58",5,"","未说明",{"notes":90,"python":88,"dependencies":91},"该仓库是一个推荐系统深度学习相关的论文、文章和代码库的汇总列表，本身不是一个可直接运行的单一软件工具。文中列出的各个具体项目（如 CDL, ConvMF, NCF, DeepFM 等）拥有各自独立的代码库和环境需求。用户需根据想要复现的具体论文或模型，前往其对应的源代码链接（通常在 README 的 'Code' 字段中提供）查阅具体的运行环境配置。",[],[93,14],"音频",[95,96,97,98,99,100,101,102,103],"recommender-system","deep-learning","machine-learning","python","tensorflow","music-recommendation","hybrid-recommendation","collaborative-filtering","neural-network","2026-03-27T02:49:30.150509","2026-04-07T22:51:03.954578",[],[]]