Startseite Projekte neural_collaborative_filtering
neural_collaborative_filtering

neural_collaborative_filtering

von hexiangnan · GitHub

Neurales kollaboratives Filtern

Auf GitHub ansehen
In einfachen Worten

Erstellen Sie Empfehlungssysteme, die Artikel basierend auf Benutzerpräferenzen mithilfe von Techniken neuronaler Netze vorschlagen.

⭐ Sterne
🍴 Forks
📜 Lizenz
Kommerzielle Nutzung erlaubt
📅 Erstellt
🔄 Letzter Commit
🏷️ Kategorie
💻 Sprache
Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
neural_collaborative_filtering — GitHub preview card
📈 Sternhistorie
1.89k1.88k
2026-07-202026-07-29
📈 neural_collaborative_filtering verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Neurales kollaboratives Filtern

neural_collaborative_filtering hat 1.9k Sterne auf GitHub. Es wurde 668-mal geforkt. neural_collaborative_filtering ist hauptsächlich in Python geschrieben. Es wird seit 2017 aktiv entwickelt. neural_collaborative_filtering ist unter der Apache-2.0-Lizenz verfügbar. Die Hauptthemen sind: collaborative-filtering, deep-learning, recommender-system.

Frequently asked questions

Was ist neural_collaborative_filtering?

Neurales kollaboratives Filtern

Ist neural_collaborative_filtering Open Source?

neural_collaborative_filtering ist ein Open-Source-Projekt. Es wird unter der Apache-2.0-Lizenz veröffentlicht.

Ist neural_collaborative_filtering kostenlos?

Ja. neural_collaborative_filtering ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht neural_collaborative_filtering?

neural_collaborative_filtering ist unter der Apache-2.0-Lizenz verfügbar.

In welcher Sprache ist neural_collaborative_filtering geschrieben?

neural_collaborative_filtering ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
OpenSourceAI badge — neural_collaborative_filtering

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=hexiangnan-neural-collaborative-filtering)](https://opensourceai.tech/project/hexiangnan-neural-collaborative-filtering.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
gorse
KI-gestützter Open-Source-Empfehlungssystem-Engine unterstützt klassische/LLM-Ranker und multim…
9.8k · collaborative-filtering
teiltcollaborative-filteringrecommender-system
implicit
Schnelles Python-Kollaboratives Filtern für implizite Feedback-Datensätze.
3.8k · collaborative-filtering
teiltcollaborative-filteringrecommender-system
SparrowRecSys
Ein Deep Learning Empfehlungs-System
2.8k · deep-learning
teiltrecommender-system
Deep-Learning-for-Recommendation-Systems
Dieses Repository enthält Artikel, Papiere und Repositories, die auf Deep Learning basieren, fü…
2.9k · collaborative-filtering
teiltcollaborative-filteringrecommender-system
RSPapers
RSTutorials: Eine kuratierte Liste von Must-Read-Papieren über Empfehlungssysteme.
6.5k · collaborative-filtering
teiltcollaborative-filteringrecommender-system
MultimodalRecSys
Eine kuratierte Liste großartiger Ressourcen über multimodale Empfehlungssysteme.
470 · multimodal
teiltrecommender-system
RLMRec
[WWW'2024] "RLMRec: Representation Learning with Large Language Models for Recommendation"
462 · collaborative-filtering
teiltcollaborative-filtering
RePlay
Ein umfassendes Framework zum Aufbau von End-to-End-Empfehlungssystemen mit hochmodernen Modell…
408 · algorithms
teiltcollaborative-filteringrecommender-system
LLMRank
[ECIR'24] Implementierung von "Große Sprachmodelle sind Zero-Shot-Ranker für Empfehlungssysteme…
324 · chatgpt
teiltrecommender-system
QRec
QRec: Ein Python-Framework für die schnelle Implementierung von Empfehlungssystemen (TensorFlow…
1.6k · algorithm
teiltrecommender-system

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.