收集和整理了目前互联网上能找到的开源推荐系统，并附上了个人的一些简单点评（未必全面准确），这个列表是目前为止比较全面的了，希望对大家了解掌握推荐系统有帮助（文/陈运文）
SVDFeature
由上海交大的同学开发，采用C++语言，代码质量很高。去年我们参加KDD竞赛时用过，很好很方便，而且出自咱们国人之手，所以置顶推荐！
项目地址：
http://svdfeature.apexlab.org/wiki/Main_Page
SVDFeature包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用相对较少的内存实现较大规模的单机版矩阵分解运算。
另外含有Logistic regression的model，可以很方便的用来进行ensemble运算
Crab
项目地址：
http://geektell.com/story/crab-recommender-systems-in-python/
系统的Tutorial可以看这里：
http://muricoca.github.io/crab/
Crab是基于Python开发的开源推荐软件，其中实现有item和user的协同过滤。据说更多算法还在开发中，
Crab的python代码看上去很清晰明了，适合一读
CofiRank
C++开发的 Collaborative Filtering算法的开源推荐系统，但似乎2009年后作者就没有更新了，
CofiRank依赖boost库，联编会比较麻烦。不是特别推荐
项目地址：
http://www.cofirank.org/
EasyRec
Java开发的推荐系统，感觉更像一个完整的推荐产品，包括了数据录入模块、管理模块、推荐挖掘、离线分析等，整个系统比较完备。
项目地址：
http://easyrec.org/
GraphLab
项目地址：
http://graphlab.org/
Graphlab是基于C++开发的一个高性能分布式graph处理挖掘系统，特点是对迭代的并行计算处理能力强（这方面是hadoop的弱项），
由于功能独到，GraphLab在业界名声很响
用GraphLab来进行大数据量的random walk或graph-based的推荐算法非常有效。
Graphlab虽然名气比较响亮（CMU开发），但是对一般数据量的应用来说可能还用不上
Lenskit
http://lenskit.grouplens.org/
这个Java开发的开源推荐系统，来自美国的明尼苏达大学，也是推荐领域知名的测试数据集Movielens的作者，
他们的推荐系统团队，在学术圈内的影响力很大，很多新的学术思想会放到这里
Mahout
网址
http://mahout.apache.org/
Mahout知名度很高，它是Apache基金资助的重要项目，在国内流传很广，并已经有一些中文相关书籍了。注意Mahout是一个分布式机器学习算法的集合，协同过滤只是其中的一部分。除了被称为Taste的分布式协同过滤的实现（Hadoop-based，另有pure Java版本），Mahout里还有其他常见的机器学习算法的分布式实现方案。
另外Mahout的作者之一Sean Owen基于Mahout开发了一个试验性质的推荐系统，称为Myrrix, 可以看这里：
http://myrrix.com/quick-start/
MyMediaLite
http://mymedialite.net/index.html
基于.NET框架的C#开发（也有Java版本），作者基本来自德国、英国等欧洲的一些高校。
除了提供了常见场景的推荐算法，MyMediaLite也有Social Matrix Factorization这样独特的功能
尽管是.Net框架，但也提供了Python、Ruby等脚本语言的调用API
MyMediaLite的作者之一Lars Schmidt在2012年KDD会议上专门介绍过他们系统的一些情况，可惜由于.Net开发框架日渐式微，MyMediaLite对Windows NT Server的系统吸引力大些，LAMP网站用得很少
LibFM
项目网址：
http://www.libfm.org/
作者是德国Konstanz University的Steffen Rendle，去年KDD Cup竞赛上我们的老对手，他用LibFM同时玩转Track1和Track2两个子竞赛单元，都取得了很好的成绩，说明LibFM是非常管用的利器（虽然在Track1上被我们打败了，hiahia）
顾名思义，LibFM是专门用于矩阵分解的利器，尤其是其中实现了MCMC（Markov Chain Monte Carlo）优化算法，比常见的SGD（随即梯度下降）优化方法精度要高（当然也会慢一些）
顺便八卦下，去年KDD会议上和Steffen当面聊过，他很腼腆而且喜欢偷笑，呵呵挺可爱。
LibMF
项目地址：
http://www.csie.ntu.edu.tw/~cjlin/libmf/
注意LibMF和上面的LibFM是两个不同的开源项目。这个LibMF的作者是大名鼎鼎的台湾国立大学，他们在机器学习领域享有盛名，近年连续多届KDD Cup竞赛上均获得优异成绩，并曾连续多年获得冠军。台湾大学的风格非常务实，业界常用的LibSVM， Liblinear等都是他们开发的，开源代码的效率和质量都非常高
LibMF在矩阵分解的并行化方面作出了很好的贡献，针对SDG优化方法在并行计算中存在的locking problem和memory discontinuity问题，提出了一种矩阵分解的高效算法，根据计算节点的个数来划分评分矩阵block，并分配计算节点。系统介绍可以见这篇论文（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, 开发语言为Java。也是一个轻量级的开源项目
项目网址：
http://mloss.org/software/view/420/
放在Mloss这个大project下。我个人感觉PREA还是比较简陋的，参加开发的三位工程师Joonseok Lee, Mingxuan Sun, Guy Lebanon更新频率很低，提供的资料也少。
不过Mloss下倒是能找到其他一些推荐开源项目
http://mloss.org/software/tags/collaborative-filtering/
Python-recsys
一个非常轻量级的开源推荐系统，python开发，作者似乎只有一位，
Python-recsys主要实现了SVD、Neighborhood SVD推荐算法，
这个项目麻雀虽小五脏俱全，评估数据（Movielens，Last.fm）、评估框架也都有
API也很简单清晰，代码简洁，属于推荐入门的良好教材。
不过真正要用到实际系统中，还是得补充很多内容
github的地址位于
https://github.com/ocelma/python-recsys
项目的介绍见：
http://ocelma.net/software/python-recsys/build/html/
RapidMiner
项目网址为：
http://rapidminer.com/
Java语言开发，RapidMiner（前身是Yale）已经是一个比较成熟的数据挖掘解决方案了，包括常见的机器学习、NLP、推荐、预测等方法（推荐只占其中很小一部分），而且带有GUI的数据分析环境，数据ETL、预处理、可视化、评估、部署等整套系统都有。
另外RapidMiner提供commercial license，提供R语言接口，感觉在向着一个商用的数据挖掘公司的方向在前进。
Recommendable
基于Ruby语言开发，实现了一些评分预测的推荐算法，但是整体感觉比较单薄，
github上地址如下：
https://github.com/davidcelis/recommendable/
Recommenderlab
基于R语言开发的开源推荐程序，对经常使用R语言的工程师或者BI数据分析师来说，recommenderlab的出现绝对算得上是福音了
项目地址：
http://cran.r-project.org/web/packages/recommenderlab/index.html
基于Recommenderlab来开发推荐系统，代码会非常精简，因为推荐系统所依赖的user-item rating matrix对擅长处理向量运算的R语言来说再方便不过了，
但是在实际推荐系统中，需要考虑的问题和逻辑都比较复杂，用Recommenderlab不是很灵活。另外受限于R语言对内存的限制，Recommenderlab不太适用于过大规模的推荐应用
Waffles
SF地址：
http://waffles.sourceforge.net/
Waffles英文原意是蜂蜜甜饼（见logo），在这里却指代一个非常强大的机器学习的开源工具包，基于C++语言开发。
Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于其中的Waffles_recommend tool，大概只占整个Waffles的1/10的内容（其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包，估计能与之媲美的也就数Weka了）
