GNN-Recommender-Systems
GNN-Recommender-Systems 是一个专注于图神经网络（GNN）在推荐系统领域应用的开源算法索引库。它旨在解决研究人员和开发者在面对海量 GNN 推荐论文时，难以快速梳理技术脉络、查找对应代码及对比不同场景适用性的痛点。
该资源不仅汇总了从匹配、排序到重排序等推荐全阶段的经典算法（如 LightGCN、Pin-Sage 等），还细致地按社交推荐、序列推荐、跨域推荐等不同应用场景，以及多样性、公平性、可解释性等优化目标进行了分类整理。其独特的技术亮点在于依托一篇被 ACM TORS 接收的权威综述论文构建，确保了收录内容的学术前沿性与系统性，并为多数算法提供了直接的代码链接，极大地降低了复现门槛。
无论是希望追踪最新学术动态的高校研究人员，还是寻求高效解决方案的算法工程师，都能从中获得极大帮助。对于想要深入理解如何利用图结构挖掘用户与物品复杂关系的技术从业者而言，GNN-Recommender-Systems 是一份不可多得的实战指南与知识地图。
使用场景
某中型电商平台的算法团队正致力于优化其商品推荐系统，试图从传统的协同过滤升级为能捕捉复杂用户 - 商品关系的图神经网络模型。
没有 GNN-Recommender-Systems 时
- 选型迷茫：面对海量的 GNN 论文，团队难以快速甄别哪些算法（如 LightGCN 或 PinSage）真正适用于当前的匹配或排序阶段，调研耗时数周。
- 场景错配：缺乏对社交推荐、序列推荐等细分场景的系统分类，导致错误地将通用模型应用于需要处理时间序列行为的会话推荐场景，效果不佳。
- 复现困难：找不到经过验证的代码实现，工程师需从零复现论文逻辑，常因细节缺失导致模型无法收敛或性能远低于预期。
- 目标单一：仅关注准确率，忽视了多样性、公平性及可解释性等现代推荐系统必备的多目标优化需求，导致上线后用户投诉推荐结果单一。
使用 GNN-Recommender-Systems 后
- 精准导航：利用其按推荐阶段（匹配、排序、重排）整理的索引，团队迅速锁定了适合大规模稀疏数据的 LightGCN 作为基线模型，将技术选型周期缩短至 2 天。
- 场景对齐：通过“不同推荐场景”分类，直接定位到针对序列推荐的专用算法，完美契合平台用户浏览路径长、依赖历史行为的特点。
- 开箱即用：借助提供的官方代码链接，团队快速搭建了可运行的基准框架，避免了重复造轮子，将精力集中在业务数据适配上。
- 多维优化：参考“不同推荐目标”章节，引入了兼顾多样性和公平性的算法变体，显著提升了长尾商品的曝光率，增强了用户体验。
GNN-Recommender-Systems 通过提供结构化的算法索引与资源指引，将推荐系统的研发从“大海捞针”转变为“按图索骥”，极大加速了图神经网络在工业界的落地进程。
运行环境要求
未说明
未说明
快速开始
基于图神经网络的推荐系统
一个基于图神经网络的推荐算法索引。
我们的综述《面向推荐系统的图神经网络综述：挑战、方法与方向》已被 ACM 推荐系统汇刊（ACM Transactions on Recommender Systems）接收。 预印本已在 arXiv 上发布：链接
如果本索引对您有所帮助，请引用我们的综述论文：
@article{gao2022survey,
title={A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions},
author={Gao, Chen and Zheng, Yu and Li, Nian and Li, Yinfeng and Qin, Yingrong and Piao, Jinghua and Quan, Yuhan and Chang, Jianxin and Jin, Depeng and He, Xiangnan and Li, Yong},
journal={ACM Transactions on Recommender Systems (TORS)},
year={2022}
}
Gao, C., Zheng, Y., Li, N., Li, Y., Qin, Y., Piao, J., Quan, Y., Chang, J., Jin, D., He, X., & Li, Y. (2022). 面向推荐系统的图神经网络综述：挑战、方法与方向。ACM 推荐系统汇刊（TORS）。
目录
推荐阶段
匹配
排名
重新排名
| 名称 | 论文 | 会议/期刊 | 年份 | 代码 |
|---|---|---|---|---|
| IRGPR | Liu, W., Liu, Q., Tang, R., Chen, J., He, X., & Heng, P. A. (2020年10月). 面向电子商务的商品关系个性化重排序。载于《第29届ACM国际信息与知识管理会议论文集》（第925–934页）。 | CIKM | 2020 | 无 |
推荐场景
社交推荐
顺序推荐
会话推荐
捆绑推荐
跨领域推荐
推荐目标
多行为推荐
多样性
可解释性
公平性
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。