LibRec 是领先的推举系统Java开源算法工具库，覆盖了70余个各种型推举算法，有效办理评分预测和物品推举两大关键的推举问题。推举系统是机器学习和大数据技能的经典实际运用，旨在供应高效准确的个性化物品推举，是当代Web运用的主要组件。 项目构造清晰，代码风格良好，测试充分，注释与手册完善。目前项目利用GPL3.0协议开源在github中，欢迎大家试用。
Librec: http://www.librec.net
Github Repo:http:github.com/guoguibing/librec
Doc Link:http:wiki.librec.net/doku.php
特色功能：
丰富的算法集
截止到目前，LibRec已经集成了70余个各种型推举算法。详细来说，分为基准算法、协同过滤算法、基于内容的算法、情景感知算法、稠浊算法和其它扩展算法等。在2.0版本中，增加了40余个新算法，包括概率图模型、张量分解模型、因子分解机、基于评论的模型、深度学习模块（RBM）等新颖的算法。团队的每个核心开拓职员每每卖力某一类型算法的开拓和测试事情。
良好的模块化 相对付LibRec 1.x，新版本在底层构造上做了非常深入的优化，尤其是模块化方面。新版本的推举库可分为以下三部分：数据预处理、推举算法和演习后处理。在数据预处理模块，紧张是数据的转换与分割。支持两种格式数据的输入和转换，一个是常见的 User-Item-Rating 格式，另一个是更通用的ARFF格式，用户还可以扩展新类型的数据以增强现有的ARFF格式。在数据分割方面，支持按Ratio，Given-N，k-fold Cross validation, Leave-one-out等办法。在推举模型模块，包括情景感知和算法集成。情景感知指的是算法依赖的情景信息，如用户相似度；算法集成则是算法的逻辑实现。在模型演习之后，LibRec支持两种操作：一是对测试集进行评估，得到如MAE、RMSE、AUC、MAP、NDCG等测试结果；二是对给定的用户（或情景）进行评分预测或物品推举等查询操作，用户可以通过实现filter接口自定义更多的过滤操作。
灵巧的框架配置
LibRec新版本继承了基于配置的特点，但是有所更新和发展。新的配置实现参考了其它有名数据挖掘工具库的实现特点，在灵巧性上得到了有效的提高。详细来说，我们抽取出很多公共的配置项，也为独立的算法保留了特定的配置参数。为了提高算法的易配置性，我们为大多数算法保留了可用的供参考配置设置。
高效的实行性能
LibRec一贯非常看重算法实行的高效性，并尽可能地优化框架构造和算法实现。与其它的推举算法库比较，LibRec能够在得到相称的推举性能的条件下，在更短的韶光内实行完成。
大略的框架用法
LibRec早期版本只能独立运行，难以集成在其它工程中利用。由于良好的模块构造，新版本既可以单独运行，也能够作为依赖库运用于其它工程中
良好的可扩展性
良好的易扩展性。LibRec供应了很好的公共接口以便用户进行个性化扩展。包括数据类型、推举算法、输出类型、评估因子、过滤器等的扩展接口。利用LibRec开拓新算法，用户常日只须要关注新算法的逻辑实现，而不须要担心其它部分的实现。
构造示意：
流程示意：
