收集和整理了目前互聯網上能找到的開源推薦系統，並附上了個人的一些簡單點評（未必全面準確），這個列表是目前爲止比較全面的了，希望對大家瞭解掌握推薦系統有幫助（文/陳運文）
SVDFeature
由上海交大的同學開發，採用C++語言，代碼質量很高。去年我們參加KDD競賽時用過，很好很方便，而且出自咱們國人之手，所以置頂推薦！
SVDFeature包含一個很靈活的Matrix Factorization推薦框架，能方便的實現SVD、SVD++等方法, 是單模型推薦算法中精度最高的一種。SVDFeature代碼精煉，可以用相對較少的內存實現較大規模的單機版矩陣分解運算。
另外含有Logistic regression的model，可以很方便的用來進行ensemble運算
Crab
項目地址：
系統的Tutorial可以看這裏：
Crab是基於Python開發的開源推薦軟件，其中實現有item和user的協同過濾。據說更多算法還在開發中，
Crab的python代碼看上去很清晰明瞭，適合一讀
CofiRank
C++開發的 Collaborative Filtering算法的開源推薦系統，但似乎2009年後作者就沒有更新了，
CofiRank依賴boost庫，聯編會比較麻煩。不是特別推薦
項目地址：
EasyRec
Java開發的推薦系統，感覺更像一個完整的推薦產品，包括了數據錄入模塊、管理模塊、推薦挖掘、離線分析等，整個系統比較完備。
項目地址：
GraphLab
項目地址：
Graphlab是基於C++開發的一個高性能分佈式graph處理挖掘系統，特點是對迭代的並行計算處理能力強（這方面是hadoop的弱項），
由於功能獨到，GraphLab在業界名聲很響
用GraphLab來進行大數據量的random walk或graph-based的推薦算法非常有效。
Graphlab雖然名氣比較響亮（CMU開發），但是對一般數據量的應用來說可能還用不上
Lenskit
這個Java開發的開源推薦系統，來自美國的明尼蘇達大學，也是推薦領域知名的測試數據集Movielens的作者，
他們的推薦系統團隊，在學術圈內的影響力很大，很多新的學術思想會放到這裏
Mahout
網址
Mahout知名度很高，它是Apache基金資助的重要項目，在國內流傳很廣，並已經有一些中文相關書籍了。注意Mahout是一個分佈式機器學習算法的集合，協同過濾只是其中的一部分。除了被稱爲Taste的分佈式協同過濾的實現（Hadoop-based，另有pure Java版本），Mahout裏還有其他常見的機器學習算法的分佈式實現方案。
另外Mahout的作者之一Sean Owen基於Mahout開發了一個試驗性質的推薦系統，稱爲Myrrix, 可以看這裏：
http://myrrix.com/quick-start/
MyMediaLite
基於.NET框架的C#開發（也有Java版本），作者基本來自德國、英國等歐洲的一些高校。
除了提供了常見場景的推薦算法，MyMediaLite也有Social Matrix Factorization這樣獨特的功能
儘管是.Net框架，但也提供了Python、Ruby等腳本語言的調用API
MyMediaLite的作者之一Lars Schmidt在2012年KDD會議上專門介紹過他們系統的一些情況，可惜由於.Net開發框架日漸式微，MyMediaLite對Windows NT Server的系統吸引力大些，LAMP網站用得很少
LibFM
項目網址：
作者是德國Konstanz University的Steffen Rendle，去年KDD Cup競賽上我們的老對手，他用LibFM同時玩轉Track1和Track2兩個子競賽單元，都取得了很好的成績，說明LibFM是非常管用的利器（雖然在Track1上被我們打敗了，hiahia）
顧名思義，LibFM是專門用於矩陣分解的利器，尤其是其中實現了MCMC（Markov Chain Monte Carlo）優化算法，比常見的SGD（隨即梯度下降）優化方法精度要高（當然也會慢一些）
順便八卦下，去年KDD會議上和Steffen當面聊過，他很靦腆而且喜歡偷笑，呵呵挺可愛。
LibMF
項目地址：
http://www.csie.ntu.edu.tw/~cjlin/libmf/
注意LibMF和上面的LibFM是兩個不同的開源項目。這個LibMF的作者是大名鼎鼎的臺灣國立大學，他們在機器學習領域享有盛名，近年連續多屆KDD Cup競賽上均獲得優異成績，並曾連續多年獲得冠軍。臺灣大學的風格非常務實，業界常用的LibSVM， Liblinear等都是他們開發的，開源代碼的效率和質量都非常高
LibMF在矩陣分解的並行化方面作出了很好的貢獻，針對SDG優化方法在並行計算中存在的locking problem和memory discontinuity問題，提出了一種矩陣分解的高效算法，根據計算節點的個數來劃分評分矩陣block，並分配計算節點。系統介紹可以見這篇論文（Recsys 2013的 Best paper Award）
Y. Zhuang, W.-S. Chin, Y.-C. Juan, and C.-J. Lin. A Fast Parallel SGD for Matrix Factorization in Shared Memory Systems. Proceedings of ACM Recommender Systems 2013.
PREA
全名是 Personalized Recommendation Algorithms Toolkit, 開發語言爲Java。也是一個輕量級的開源項目
項目網址：
放在Mloss這個大project下。我個人感覺PREA還是比較簡陋的，參加開發的三位工程師Joonseok Lee, Mingxuan Sun, Guy Lebanon更新頻率很低，提供的資料也少。
不過Mloss下倒是能找到其他一些推薦開源項目
Python-recsys
一個非常輕量級的開源推薦系統，python開發，作者似乎只有一位，
Python-recsys主要實現了SVD、Neighborhood SVD推薦算法，
這個項目麻雀雖小五臟俱全，評估數據（Movielens，Last.fm）、評估框架也都有
API也很簡單清晰，代碼簡潔，屬於推薦入門的良好教材。
不過真正要用到實際系統中，還是得補充很多內容
github的地址位於
項目的介紹見：
RapidMiner
項目網址爲：
Java語言開發，RapidMiner（前身是Yale）已經是一個比較成熟的數據挖掘解決方案了，包括常見的機器學習、NLP、推薦、預測等方法（推薦只佔其中很小一部分），而且帶有GUI的數據分析環境，數據ETL、預處理、可視化、評估、部署等整套系統都有。
另外RapidMiner提供commercial license，提供R語言接口，感覺在向着一個商用的數據挖掘公司的方向在前進。
Recommendable
基於Ruby語言開發，實現了一些評分預測的推薦算法，但是整體感覺比較單薄，
github上地址如下：
Recommenderlab
基於R語言開發的開源推薦程序，對經常使用R語言的工程師或者BI數據分析師來說，recommenderlab的出現絕對算得上是福音了
項目地址：
基於Recommenderlab來開發推薦系統，代碼會非常精簡，因爲推薦系統所依賴的user-item rating matrix對擅長處理向量運算的R語言來說再方便不過了，
但是在實際推薦系統中，需要考慮的問題和邏輯都比較複雜，用Recommenderlab不是很靈活。另外受限於R語言對內存的限制，Recommenderlab不太適用於過大規模的推薦應用
Waffles
SF地址：
Waffles英文原意是蜂蜜甜餅（見logo），在這裏卻指代一個非常強大的機器學習的開源工具包，基於C++語言開發。
Waffles裏包含的算法特別多，涉及機器學習的方方面面，推薦系統位於其中的Waffles_recommend tool，大概只佔整個Waffles的1/10的內容（其它還有分類、聚類、採樣、降維、數據可視化、音頻處理等許許多多工具包，估計能與之媲美的也就數Weka了）
