[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wubinzzu--NeuRec":3,"tool-wubinzzu--NeuRec":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",150037,2,"2026-04-10T23:33:47",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":105,"forks":106,"last_commit_at":107,"license":78,"difficulty_score":108,"env_os":109,"env_gpu":110,"env_ram":111,"env_deps":112,"category_tags":117,"github_topics":118,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":131,"updated_at":132,"faqs":133,"releases":174},6538,"wubinzzu\u002FNeuRec","NeuRec","Next RecSys Library","NeuRec 是一个功能全面且灵活的开源 Python 库，专为构建基于神经网络的推荐系统而设计。它致力于解决通用推荐、社交推荐以及序列推荐（即“下一项”预测）等多种核心任务，帮助开发者轻松实现高精度的个性化推荐功能。\n\n这款工具非常适合从事推荐算法研究的研究人员、需要快速验证模型效果的工程师，以及希望深入理解前沿推荐技术的开发者。NeuRec 的最大亮点在于其“开箱即用”的特性：内置了 33 种业界领先的神经网络推荐模型（如 NeuMF、BPRMF、ConvNCF 等），涵盖了从经典协同过滤到深度注意力机制的多种架构。\n\n在技术性能上，NeuRec 基于 TensorFlow 构建，原生支持 GPU 加速，并创新性地集成了多线程 C++ 评估器，相比纯 Python 实现大幅提升了运行效率。同时，它提供了跨平台的 Docker 支持和详尽的 Jupyter Notebook 教程，允许用户通过简单的配置文件灵活调整参数或快速扩展新的数据集与模型。无论是进行学术实验还是工业级原型开发，NeuRec 都能提供高效、可靠的技术支撑。","# NeuRec\n\n## An open source neural recommender library\n\n**Main Contributors**: [Bin Wu](https:\u002F\u002Fgithub.com\u002Fwubinzzu), [Zhongchuan Sun](https:\u002F\u002Fgithub.com\u002FZhongchuanSun), [Xiangnan He](http:\u002F\u002Fstaff.ustc.edu.cn\u002F~hexn\u002F), [Xiang Wang](https:\u002F\u002Fxiangwang1223.github.io), & [Jonathan Staniforth](https:\u002F\u002Fgithub.com\u002Fjonathanstaniforth)\n\n**NeuRec** is a comprehensive and flexible Python library for recommender systems that includes a large range of state-of-the-art neural recommender models. This library aims to solve general, social and sequential (i.e. next-item) recommendation tasks, using the [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F) library to provide 33 models out of the box. NeuRec is [open source](https:\u002F\u002Fopensource.org) and available under the [MIT license](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT).\n\n## Features\n\n* **Cross platform** - run on any operating system with the available Docker images;\n* **State-of-the-art** - 33 neural recommender models available out of the box;\n* **Flexible configuration** - easily change the configuration settings to your exact requirements;\n* **Easy expansion** - quickly include models or datasets into NeuRec;\n* **Fast execution** - naturally support GPU, with a mutli-thread evaluator;\n* **Detailed documentation** - extensive documentation available as Jupyter notebooks in [tutorial.ipynb](.\u002Ftutorial.ipynb).\n\n## Architecture\n\nThe architecture of NeuRec is shown in the diagram below:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_92d100dd8d8e.jpg\" width = \"50%\" height = \"50%\"\u002F>\n\n## Quick Start\n\nFirstly, download this repository and unpack the downloaded source to a suitable location.\n\nSecondly, go to '*.\u002FNeuRec*' and compline the evaluator of cpp implementation with the following command line:\n\n```bash\npython setup.py build_ext --inplace\n```\n\nIf the compilation is successful, the evaluator of cpp implementation will be called automatically.\nOtherwise, the evaluator of python implementation will be called.\n\n**Note that the cpp implementation is much faster than python.**\n\nThirdly, specify dataset and recommender in configuration file *NeuRec.properties*.\n\nFinally, run [main.py](.\u002Fmain.py) in IDE or with command line:\n\n```bash\npython main.py\n```\n\n## Tutorial\n\nThe short introduction to NeuRec is described in [tutorial.ipynb](.\u002Ftutorial.ipynb)\n\n## Models\n\nThe list of available models in NeuRec, along with their paper citations, are shown below:\n\n| General Recommender | Paper                                                                                                                           |\n|---------------------|---------------------------------------------------------------------------------------------------------------------------------|\n| GMF, MLP, NeuMF     | Xiangnan He et al., Neural Collaborative Filtering , WWW 2017.                                                                  |\n| BPRMF               | Steffen Rendle et al., BPR: Bayesian Personalized Ranking from Implicit Feedback. UAI 2009.                                     |\n| FISM                | Santosh Kabbur et al., FISM: Factored Item Similarity Models for Top-N Recommender Systems. KDD 2013.                           |\n| NAIS                | Xiangnan He et al., NAIS: Neural Attentive Item Similarity Model for Recommendation . TKDE2018.                                 |\n| DeepICF             | Feng Xue et al., Deep Item-based Collaborative Filtering for Top-N Recommendation. TOIS 2019.                                   |\n| ConvNCF             | Xiangnan He et al., Outer Product-based Neural Collaborative Filtering . IJCAI 2018.                                            |\n| DMF                 | Hong-Jian Xue et al., Deep Matrix Factorization Models for Recommender Systems. IJCAI 2017.                                     |\n| CDAE, DAE           | Yao Wu et al., Collaborative denoising auto-encoders for top-n recommender systems. WSDM 2016.                                  |\n| MultiDAE, MultiVAE  | Dawen Liang, et al., Variational autoencoders for collaborative filtering. WWW 2018.                                            |\n| JCA                 | Ziwei Zhu, et al., Improving Top-K Recommendation via Joint Collaborative Autoencoders. WWW 2019.                               |\n| IRGAN               | Jun Wang, et al., IRGAN: A Minimax Game for Unifying Generative and Discriminative Information Retrieval Models. SIGIR 2017.    |\n| CFGAN               | Dong-Kyu Chae, et al., CFGAN: A Generic Collaborative Filtering  Framework based on Generative Adversarial Networks. CIKM 2018. |\n| APR                 | Xiangnan He, et al., Adversarial Personalized Ranking for Recommendation. SIGIR 2018.                                           |\n| SpectralCF          | Lei Zheng, et al., Spectral Collaborative Filtering. RecSys 2018.                                                               |\n| NGCF                | Xiang Wang, et al., Neural Graph Collaborative Filtering. SIGIR 2019.                                                           |\n| WRMF                | Yifan Hu, et al., Collaborative Filtering for Implicit Feedback Datasets. ICDM 2008.                                            |\n| LightGCN            | Xiangnan He, et al., LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation. SIGIR 2020.               |\n\n| Social Recommender | Paper                                                                                                      |\n|------------------------|------------------------------------------------------------------------------------------------------------|\n| SBPR                | Tong Zhao et al., Leveraging Social Connections to Improve Personalized Ranking for Collaborative Filtering. CIKM 2014.         |\n| DiffNet                    | Le Wu et al., A Neural Influence Diffusion Model for Social Recommendation, SIGIR 2019. |\n\n\n| Sequential Recommender | Paper                                                                                                      |\n|------------------------|------------------------------------------------------------------------------------------------------------|\n| FPMC, FPMCplus         | Steffen Rendle et al., Factorizing Personalized Markov Chains for Next-Basket Recommendation, WWW 2010.    |\n| HRM                    | Pengfei Wang et al., Learning Hierarchical Representation Model for NextBasket Recommendation, SIGIR 2015. |\n| NPE                    | ThaiBinh Nguyen et al., NPE: Neural Personalized Embedding for Collaborative Filtering, ijcai 2018.        |\n| TransRec               | Ruining He et al., Translation-based Recommendation, SIGIR 2015.                                           |\n| Caser                  | Jiaxi Tang et al., Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding, WSDM 2018.                                           |\n| Fossil               | Ruining He et al., Fusing similarity models with Markov chains for sparse sequential recommendation, ICDM 2016.                                           |\n| GRU4Rec               | Balázs Hidasi et al., Session-based Recommendations with Recurrent Neural Networks, ICLR 2016.                                           |\n| GRU4RecPlus               | Balázs Hidasi et al., Recurrent Neural Networks with Top-k Gains for Session-based Recommendations, CIKM 2018.                                           |\n| SASRec               | Wangcheng Kang et al., Self-Attentive Sequential Recommendation, ICDM 2018.                                           |\n| SRGNN               |Shu Wu et al., Session-Based Recommendation with Graph Neural Networks, AAAI 2019.                                           |\n\n\u003C!--\n## Contributions\n\nPlease let us know if you experience any issues or have suggestions for new features by submitting an issue under the Issues tab or joining our WeChat Group.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_c5e0eebb798e.jpg\" width = \"30%\" height = \"30%\"\u002F>-->\n\n## Acknowledgements\n\nThe development of NeuRec is supported by the National Natural Science\nFoundation of China under Grant No. 61772475. This project is also supported by the National Research Foundation, Prime Minister’s Office, Singapore under its IRC@Singapore Funding Initiative.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_7f98712af67f.png\" width = \"297\" height = \"100\" alt=\"next\" align=center \u002F>\n","# NeuRec\n\n## 一个开源的神经网络推荐库\n\n**主要贡献者**: [Bin Wu](https:\u002F\u002Fgithub.com\u002Fwubinzzu)、[Zhongchuan Sun](https:\u002F\u002Fgithub.com\u002FZhongchuanSun)、[Xiangnan He](http:\u002F\u002Fstaff.ustc.edu.cn\u002F~hexn\u002F)、[Xiang Wang](https:\u002F\u002Fxiangwang1223.github.io) 和 [Jonathan Staniforth](https:\u002F\u002Fgithub.com\u002Fjonathanstaniforth)\n\n**NeuRec** 是一个全面且灵活的 Python 推荐系统库，包含大量最先进的神经网络推荐模型。该库旨在解决通用推荐、社交推荐以及序列化（即下一个物品）推荐任务，并基于 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 提供 33 种开箱即用的模型。NeuRec 是 [开源](https:\u002F\u002Fopensource.org) 的，采用 [MIT 许可证](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)。\n\n## 特性\n\n* **跨平台** - 可在任何操作系统上运行，提供可用的 Docker 镜像；\n* **最先进** - 开箱即用 33 种神经网络推荐模型；\n* **灵活配置** - 轻松调整配置以满足您的具体需求；\n* **易于扩展** - 可快速将新模型或数据集集成到 NeuRec 中；\n* **快速执行** - 自然支持 GPU，并配备多线程评估器；\n* **详细文档** - 提供丰富的 Jupyter 笔记本形式的文档，详见 [tutorial.ipynb](.\u002Ftutorial.ipynb)。\n\n## 架构\n\nNeuRec 的架构如下图所示：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_92d100dd8d8e.jpg\" width = \"50%\" height = \"50%\"\u002F>\n\n## 快速入门\n\n首先，下载本仓库并将源代码解压到合适的位置。\n\n其次，进入 `.\u002FNeuRec` 目录，使用以下命令行编译 C++ 实现的评估器：\n\n```bash\npython setup.py build_ext --inplace\n```\n\n如果编译成功，将自动调用 C++ 实现的评估器；否则，将调用 Python 实现的评估器。\n\n**请注意，C++ 实现的速度远快于 Python。**\n\n第三步，在配置文件 `NeuRec.properties` 中指定数据集和推荐算法。\n\n最后，在 IDE 中或通过命令行运行 [main.py](.\u002Fmain.py)：\n\n```bash\npython main.py\n```\n\n## 教程\n\n关于 NeuRec 的简要介绍，请参阅 [tutorial.ipynb](.\u002Ftutorial.ipynb)。\n\n## 模型\n\nNeuRec 中可用的模型列表及其论文引用如下：\n\n| 通用推荐算法 | 论文                                                                                                                           |\n|---------------------|---------------------------------------------------------------------------------------------------------------------------------|\n| GMF、MLP、NeuMF     | Xiangnan He 等人，《神经协同过滤》，WWW 2017。                                                                  |\n| BPRMF               | Steffen Rendle 等人，《BPR：基于隐式反馈的贝叶斯个性化排序》。UAI 2009。                                     |\n| FISM                | Santosh Kabbur 等人，《FISM：用于 Top-N 推荐系统的因子化物品相似度模型》。KDD 2013。                           |\n| NAIS                | Xiangnan He 等人，《NAIS：用于推荐的神经注意力物品相似度模型》。TKDE 2018。                                 |\n| DeepICF             | Feng Xue 等人，《用于 Top-N 推荐的深度基于物品的协同过滤》。TOIS 2019。                                   |\n| ConvNCF             | Xiangnan He 等人，《基于外积的神经协同过滤》。IJCAI 2018。                                            |\n| DMF                 | Hong-Jian Xue 等人，《用于推荐系统的深度矩阵分解模型》。IJCAI 2017。                                     |\n| CDAE、DAE           | Yao Wu 等人，《用于 Top-N 推荐系统的协同去噪自编码器》。WSDM 2016。                                  |\n| MultiDAE、MultiVAE  | Dawen Liang 等人，《用于协同过滤的变分自编码器》。WWW 2018。                                            |\n| JCA                 | Ziwei Zhu 等人，《通过联合协同自编码器改进 Top-K 推荐》。WWW 2019。                               |\n| IRGAN               | Jun Wang 等人，《IRGAN：一种统一生成与判别信息检索模型的极小极大博弈》。SIGIR 2017。    |\n| CFGAN               | Dong-Kyu Chae 等人，《CFGAN：基于生成对抗网络的通用协同过滤框架》。CIKM 2018。 |\n| APR                 | Xiangnan He 等人，《用于推荐的对抗性个性化排序》。SIGIR 2018。                                           |\n| SpectralCF          | Lei Zheng 等人，《谱协同过滤》。RecSys 2018。                                                               |\n| NGCF                | Xiang Wang 等人，《神经图协同过滤》。SIGIR 2019。                                                           |\n| WRMF                | Yifan Hu 等人，《针对隐式反馈数据集的协同过滤》。ICDM 2008。                                            |\n| LightGCN            | Xiangnan He 等人，《LightGCN：简化并增强用于推荐的图卷积网络》。SIGIR 2020。               |\n\n| 社交推荐算法 | 论文                                                                                                      |\n|------------------------|------------------------------------------------------------------------------------------------------------|\n| SBPR                | Tong Zhao 等人，《利用社交关系提升协同过滤的个性化排序》。CIKM 2014。         |\n| DiffNet                    | Le Wu 等人，《用于社交推荐的神经影响力扩散模型》，SIGIR 2019。 |\n\n\n| 序列推荐算法 | 论文                                                                                                      |\n|------------------------|------------------------------------------------------------------------------------------------------------|\n| FPMC、FPMCplus         | Steffen Rendle 等人，《为下一次购物篮推荐而分解个性化马尔可夫链》，WWW 2010。    |\n| HRM                    | Pengfei Wang 等人，《学习用于下一次购物篮推荐的层次表示模型》，SIGIR 2015。 |\n| NPE                    | ThaiBinh Nguyen 等人，《NPE：用于协同过滤的神经个性化嵌入》，ijcai 2018。        |\n| TransRec               | Ruining He 等人，《基于翻译的推荐》，SIGIR 2015。                                           |\n| Caser                  | Jiaxi Tang 等人，《通过卷积序列嵌入实现个性化 Top-N 序列推荐》，WSDM 2018。                                           |\n| Fossil               | Ruining He 等人，《将相似度模型与马尔可夫链融合用于稀疏序列推荐》，ICDM 2016。                                           |\n| GRU4Rec               | Balázs Hidasi 等人，《使用循环神经网络进行会话级推荐》，ICLR 2016。                                           |\n| GRU4RecPlus               | Balázs Hidasi 等人，《具有 Top-k 增益的循环神经网络用于会话级推荐》，CIKM 2018。                                           |\n| SASRec               | Wangcheng Kang 等人，《自注意力序列推荐》，ICDM 2018。                                           |\n| SRGNN               | Shu Wu 等人，《使用图神经网络进行会话级推荐》，AAAI 2019。                                           |\n\n\u003C!--\n## 贡献\n\n如果您遇到任何问题或有新功能建议，请在“Issues”选项卡中提交问题，或加入我们的微信交流群。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_c5e0eebb798e.jpg\" width = \"30%\" height = \"30%\"\u002F>-->\n\n## 致谢\n\nNeuRec 的开发得到了中国国家自然科学基金（项目编号：61772475）的支持。本项目还得到了新加坡总理办公室下属的国家研究基金会通过其 IRC@Singapore 资助计划的支持。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_readme_7f98712af67f.png\" width = \"297\" height = \"100\" alt=\"next\" align=center \u002F>","# NeuRec 快速上手指南\n\nNeuRec 是一个基于 TensorFlow 的开源神经推荐系统库，内置 33 种前沿模型，支持通用推荐、社交推荐及序列推荐（下一项预测）任务。\n\n## 环境准备\n\n*   **操作系统**：支持 Linux、macOS 和 Windows（推荐使用 Docker 以实现跨平台运行）。\n*   **核心依赖**：\n    *   Python (建议 3.6+)\n    *   TensorFlow\n    *   C++ 编译器（用于编译高性能评估器，如 `gcc` 或 `g++`；若未安装将自动降级为纯 Python 实现，但速度较慢）。\n*   **可选加速**：支持 GPU 加速（需安装对应的 `tensorflow-gpu` 版本）。\n\n> **提示**：国内用户建议使用清华源或阿里源安装 Python 依赖，以提升下载速度：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆代码库**\n    将仓库下载到本地并解压至合适目录：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec.git\n    cd NeuRec\n    ```\n\n2.  **编译 C++ 评估器（强烈推荐）**\n    为了获得最快的评估速度，需编译 C++ 实现的评估模块。在项目根目录下执行：\n    ```bash\n    python setup.py build_ext --inplace\n    ```\n    *   **成功**：系统将自动调用高效的 C++ 评估器。\n    *   **失败**：若编译出错（如缺少编译器），系统将自动回退到纯 Python 评估器，但运行效率会显著降低。\n\n3.  **安装 Python 依赖**\n    确保已安装 `tensorflow` 及其他必要库：\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n## 基本使用\n\nNeuRec 通过配置文件驱动，无需修改代码即可切换数据集和模型。\n\n1.  **配置任务**\n    打开项目根目录下的 `NeuRec.properties` 文件，修改以下关键参数以指定数据集和模型：\n    ```properties\n    # 示例：指定数据集名称\n    dataset = your_dataset_name\n    \n    # 示例：指定推荐模型（如 NeuMF, LightGCN, SASRec 等）\n    recommender = NeuMF\n    ```\n    *具体可用的数据集和模型名称请参考官方文档或 `config` 目录下的示例。*\n\n2.  **运行模型**\n    配置完成后，直接在命令行或 IDE 中运行主程序：\n    ```bash\n    python main.py\n    ```\n\n3.  **深入学习**\n    如需了解详细的参数配置、自定义模型或数据处理流程，请查阅项目自带的 Jupyter Notebook 教程：\n    ```bash\n    # 在 Jupyter 中打开 tutorial.ipynb\n    jupyter notebook tutorial.ipynb\n    ```","某电商初创公司的算法团队正急需为“猜你喜欢”模块升级推荐引擎，以应对用户行为数据激增带来的挑战。\n\n### 没有 NeuRec 时\n- **模型复现成本高昂**：团队成员需从零阅读论文并手动编写 TensorFlow 代码复现 SOTA 模型（如 NeuMF、BPRMF），单个模型验证周期长达数周。\n- **评估效率低下**：缺乏统一的高性能评估器，仅靠 Python 原生代码进行全量测试，在大规模用户数据集上运行一次评估需耗时数小时。\n- **实验管理混乱**：不同成员使用的代码框架和配置格式不统一，导致对比实验结果难以复现，参数调整过程繁琐且易出错。\n- **技术栈扩展困难**：当业务需要尝试序列推荐（Next-item）或社交推荐场景时，现有架构难以快速接入新模型，严重拖慢产品迭代速度。\n\n### 使用 NeuRec 后\n- **开箱即用的模型库**：直接调用 NeuRec 内置的 33 种前沿神经推荐模型，无需重复造轮子，将新模型的验证周期从数周缩短至几天甚至几小时。\n- **极速评估体验**：利用 NeuRec 自动编译的 C++ 评估器并结合 GPU 加速，在同等数据规模下将评估时间从数小时压缩至分钟级，大幅提升调参频率。\n- **标准化配置流程**：通过统一的 `NeuRec.properties` 配置文件灵活切换数据集与模型，确保实验环境一致，轻松实现多模型效果的公平对比。\n- **无缝场景拓展**：借助其灵活的架构，团队迅速在同一框架下部署了针对浏览历史的序列推荐任务，快速响应了业务对“下一件商品”预测的新需求。\n\nNeuRec 通过提供标准化、高性能且易于扩展的一站式解决方案，让算法团队从繁琐的工程实现中解放出来，专注于核心策略优化与业务价值创造。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwubinzzu_NeuRec_0bc89f3f.png","wubinzzu","bin wu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwubinzzu_c07360fe.jpg","微信(Wechat): wubinzzu","Zhengzhou University","Henan, China",null,"https:\u002F\u002Fwubinzzu.github.io","https:\u002F\u002Fgithub.com\u002Fwubinzzu",[82,86,90,94,98,102],{"name":83,"color":84,"percentage":85},"Python","#3572A5",92.8,{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",3.8,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",1.9,{"name":95,"color":96,"percentage":97},"Cython","#fedf5b",1.3,{"name":99,"color":100,"percentage":101},"PowerShell","#012456",0.1,{"name":103,"color":104,"percentage":101},"Shell","#89e051",1063,218,"2026-03-22T01:06:28",4,"Linux, macOS, Windows","非必需，但原生支持 GPU 加速以加快执行速度；具体型号、显存及 CUDA 版本未说明","未说明",{"notes":113,"python":111,"dependencies":114},"该库基于 TensorFlow 构建。首次运行前需执行 'python setup.py build_ext --inplace' 命令编译 C++ 评估器以获得最佳性能，否则将自动回退到较慢的 Python 实现。支持通过 Docker 镜像在任何操作系统上运行。",[115,116],"TensorFlow","C++ 编译器 (用于编译评估器)",[14],[119,120,121,122,123,124,125,126,127,128,129,130],"recommender-systems","neural-networks","collaborative-filtering","deep-learning","tensorflow","variational-autoencoder","autoencoder","convolutional-neural-networks","adversarial-learning","sequential","gcn","social-network","2026-03-27T02:49:30.150509","2026-04-11T15:01:59.876560",[134,139,144,149,154,159,164,169],{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},29566,"为什么在使用 Pointwise 损失函数且负采样数较大（如 4）时，Recall@20 会出现 1.0 的异常结果？","这是因为 MLP 模型使用 ReLU 激活函数导致评分为非负（包含 0），当负样本较多时，大量物品评分为 0。在测试排序时，正样本被重映射到向量第一个位置，C++ 中的 `std::partial_sort_copy` 排序函数在处理相同分值时会将正样本排在前面，从而导致指标虚高。该问题已在代码中修复，请更新到最新版本代码。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F26",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},29567,"评估指标（如 NDCG, HR）数值明显高于文献报道值，可能是什么原因？","这通常与配置参数 `rec.evaluate.neg` 有关。该参数表示测试时采样的负样本数量（例如设为 100 表示采样 100 个负样本）。如果设置为非零值，指标是在部分负样本上计算的，数值会偏高；若将其改为 0，则表示使用该用户所有未交互的物品参与测试排序，结果会更符合全量评估的标准。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F10",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},29568,"如何在 NeuRec 中找到或启用 BPRMF 模型？","BPRMF 模型包含在 `model\u002Fgeneral_recommender\u002FMF.py` 文件中。要使用它，需要在模型的配置文件中将损失函数（loss）设置为 `bpr` 即可，不需要单独寻找名为 BPRMF 的文件。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F22",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},29569,"运行 SASRec、Caser 或 GRU4Rec 等序列模型时报错提示缺少 `build_graph` 函数怎么办？","这是一个已知的代码缺失问题。维护者已经修复了 SASRec、Caser、GRU4Rec 和 GRU4RecPlus 模型中缺少 `build_graph` 函数的 Bug。请拉取最新的代码版本即可解决该问题。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F14",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},29570,"评估代码中将训练集物品的评分设为负无穷（-np.inf）是为了什么？冷启动用户如何处理？","在测试阶段将训练集中物品的评分设为 `-np.inf`，是为了在排序时将这些已知物品强制排到列表最后，从而确保评估只针对未交互物品（排除训练集干扰）。对于冷启动用户（训练集中无交互记录），原代码未做特殊判断，理论上无需此操作，后续版本会增加判断逻辑以兼容冷启动场景。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F28",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},29571,"NeuRec 框架是否支持自动超参数调优（Hyperparameters Tuning）？","截至目前，NeuRec 框架暂时不支持通用的超参数自动调优功能，用户需要手动调整配置文件中的参数进行实验。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F32",{"id":165,"question_zh":166,"answer_zh":167,"source_url":168},29572,"项目是否有官方文档或使用教程？","项目提供了一个简短的教程笔记本（tutorial.ipynb），可以通过 GitHub 仓库查看：https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fblob\u002F2.0\u002Ftutorial.ipynb","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F21",{"id":170,"question_zh":171,"answer_zh":172,"source_url":173},29573,"运行 CFGAN 或 NeuMF 时提示 log 文件不存在，以及运行 IRGAN 时出现矩阵维度错误如何解决？","这是早期版本的已知问题。Log 文件无法自动生成是因为部分模型缺乏自动创建日志目录的逻辑；IRGAN 的矩阵维度错误（`a and p must have same size`）源于概率分布与候选集大小不匹配。建议检查是否使用了最新代码，或参考 Issue #2 中的讨论确认是否已修复，必要时需手动创建日志文件夹或检查数据划分逻辑。","https:\u002F\u002Fgithub.com\u002Fwubinzzu\u002FNeuRec\u002Fissues\u002F2",[175,179],{"id":176,"version":177,"summary_zh":78,"released_at":178},206077,"2.00","2020-04-21T04:57:33",{"id":180,"version":181,"summary_zh":78,"released_at":182},206078,"1.0","2019-10-31T15:07:07"]