搜集的十大协同过滤算法，仅供参考

#1.SVDFeature

主页：http://svdfeature.apexlab.org/wiki/Main_Page 语言：C++
一个feature-based协同过滤和排序工具，由上海交大Apex实验室开发，代码质量较高。在KDD Cup 2012中获得第一名，KDD Cup 2011中获得第三名，相关论文 发表在2012的JMLR中，这足以说明它的高大上。
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。

#2.LibMF

主页：http://www.csie.ntu.edu.tw/~cjlin/libmf/ 语言：C++
作者Chih-Jen Lin来自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SGD（随即梯度下降）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FPSGD（Fast Parallel  SGD），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（ACMRecsys 2013的 Best paper Award）。

#3.LibFM

主页：http://www.libfm.org/ 语言：C++
作者是德国Konstanz大学的Steffen Rendle，他用LibFM同时玩转KDD Cup 2012 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。
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优化方法精度要高，但运算速度要慢一些。当然LibFM中还 实现了SGD、SGDA（Adaptive  SGD）、ALS（Alternating Least Squares）等算法。

#4.Lenskit

主页：http://lenskit.grouplens.org/ 语言Java

这个Java开发的开源推荐系统，来自美国的明尼苏达大学的GroupLens团队，也是推荐领域知名的测试数据集Movielens的作者。
该源码托管在GitHub上，https://github.com/grouplens/lenskit。 主要包含lenskit-api,lenskit-core,lenskit-knn,lenskit-svd,lenskit-slopone,lenskit-parent,lenskit-data- structures,lenskit-eval,lenskit-test等模块，主要实现了k-NN，SVD，Slope-One等  典型的推荐系统算法。

#5.GraphLab

主页：GraphLab - Collaborative Filtering 语言：C++
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。
GraphLab 主要实现了ALS，CCD++，SGD，Bias-SGD，SVD++，Weighted-ALS，Sparse-ALS，Non-negative  Matrix Factorization，Restarted Lanczos Algorithm等算法。

#6.Mahout

主页：http://mahout.apache.org/ 语言：Java
Mahout  是 Apache Software Foundation (ASF)  开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在 Apache 在许可下免费 使用。Mahout项目是由  Apache Lucene社区中对机器学习感兴趣的一些成员发起的，他们希望建立一个可靠、文档翔实、可伸缩的项目，在其中实现一些常见的用于  聚类和分类的机器学习算法。该社区最初基于 Ngetal. 的文章 “Map-Reduce for Machine Learning on  Multicore”，但此后在发展中又并入了更多广泛的机器学习方法，包括Collaborative  Filtering（CF），Dimensionality Reduction，Topic Models等。此外，通过使用 Apache  Hadoop 库，Mahout 可以有效地扩展到云中。
在Mahout的Recommendation类算法中，主要有User-Based CF，Item-Based CF，ALS，ALS on Implicit Feedback，Weighted MF，SVD++，Parallel SGD等。

#7.Myrrix

主页：http://myrrix.com/ 语言：Java
Myrrix 最初是Mahout的作者之一Sean  Owen基于Mahout开发的一个试验性质的推荐系统。目前Myrrix已经是一个完整的、实时的、可扩展的集群和推荐系统，主要  架构分为两部分：服务层：在线服务，响应请求、数据读入、提供实时推荐；计算层：用于分布式离线计算，在后台使用分布式机器学习算法为服务层更新机器学习   模型。Myrrix使用这两个层构建了一个完整的推荐系统，服务层是一个HTTP服务器，能够接收更新，并在毫秒级别内计算出更新结果。服务层可以单独使 用，无需 计算层，它会在本地运行机器学习算法。计算层也可以单独使用，其本质是一系列的Hadoopjobs。目前Myrrix以被  Cloudera 并入Oryx项目。

#8.EasyRec

主页：http://easyrec.org/ 语言：Java
EasyRec 是一个易集成、易扩展、功能强大且具有可视化管理的推荐系统，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。  EasyRec可以同时给多个不同的网站提供推荐服务，通过tenant来区分不同的网站。架设EasyRec服务器，为网站申请tenant，通过 tenant就可以很方便的集成到  网站中。通过各种不同的数据收集（view,buy.rating）API收集到网站的用户行为，EasyRec通过离线分析，就可以产生推荐信息，您的 网站就可以通过 Recommendations和CommunityRankings来进行推荐业务的实现。

#9.Waffles

主页：http://waffles.sourceforge.net/ 语言：C++
Waffles 英文原意是蜂蜜甜饼，在这里却指代一个非常强大的机器学习的开源工具包。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。

#10.RapidMiner

主页：http://rapidminer.com/ 语言：Java
RapidMiner（前 身是Yale）是一个比较成熟的数据挖掘解决方案，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。
======================================分割线======================================

开 源的推荐系统大大小小的还有很多，以上只是介绍了一些在学术界和工业界比较流行的TOP  10，而且基本上都是用C++/Java实现的，在参考资料[1]、[2]中还提  到的有Crab（Python）、CofiRank（C++）、MyMediaLite（.NET/C#）、PREA（Java）、Python- recsys（Python）、Recommendable（Ruby）、Recommenderlab（R）、  Oryx（Java）、recommendify（Ruby）、RecDB（SQL）等等，当然GitHub上还有更多。。。即有适合单机运行的，也有适合集群的。虽然使用的编程语言不同，但实现 的算法都大同小异，主要是SVD、SGD、ALS、MF、CF及其改进算法等。