Answers:
这里有一些资源可能会有所帮助：
Recommenderlab-用于开发和测试推荐算法的框架和开源软件：http : //lyle.smu.edu/IDA/recommenderlab。对应的R软件包recommenderlab：http : //cran.r-project.org/package=recommenderlab。
以下博客文章基于协作过滤说明了如何使用recommenderlab软件包（IMHO可以将其概括为任何开源推荐引擎）用于构建电影推荐应用程序：http : //scn.sap.com/community/developer-center/hana / blog / 2013/11/06 / movie-recommendation-by-leveraging-r。
推荐系统研究 -一个漂亮的网页，其中包含有关该主题的资源，由Recommenderlab的首席开发人员Michael Hahsler维护：http ://michael.hahsler.net/research/recommender 。
砂浆推荐引擎 -一个开源定制的推荐引擎Hadoop，并Pig写在Python和Java：https://github.com/mortardata/mortar-recsys。赞助此项目开发的公司Mortar Data提供了用于开发和托管数据科学软件项目的通用商业云平台，其中包括基于（免费的公共项目的开发和托管）的项目：http：//www.mortardata。 com。砂浆数据以公共问答论坛（https://answers.mortardata.com）的形式提供帮助以及全面的教程Mortar Recommendation Engine关于使用开放技术构建推荐引擎的信息（http://help.mortardata.com/data_apps/recommendation_engine）。
“推荐系统简介” -相关的Coursera课程（MOOC），其内容和说明提供了有关以下主题的其他资源：https : //www.coursera.org/course/recsys。
PredictionIO-一种开放源代码的机器学习服务器软件，允许构建数据科学应用程序，包括推荐系统：http : //prediction.io（源代码在GitHub上可用：https : //github.com/PredictionIO）。PredictionIO包括内置的推荐引擎（http://docs.prediction.io/current/engines/itemrec/index.html），并通过RESTfulAPI以及SDK /插件支持广泛的编程语言和框架。PredictionIO维护了一个Amazon Machine Image在AWS Marketplace上用于在AWS基础设施上部署应用程序的功能：https : //aws.amazon.com/marketplace/pp/B00ECGJYGE。
其他开源软件项目，相关的主题（经发现MLOSS网站上的机器学习开源软件：http://www.mloss.org）：
以下相关R 博客文章也很有趣：
代替协同过滤，我将使用矩阵分解方法，在该方法中，用户和电影都由点特征产生等级的潜在特征向量表示。通常，仅选择等级（特征数量）而不考虑特征表示什么，然后算法执行其余的工作。像PCA一样，结果不能立即解释，但可以产生良好的结果。您要做的就是扩展影片矩阵，使其包含您提到的其他功能，并确保它们在算法使用正则化估计两个矩阵时保持不变。用户矩阵中的相应条目将被随机初始化，然后通过矩阵分解算法进行估算。这是一种通用且高效的方法，但需要对机器学习有所了解，
不久前我看到了一个不错的ipython笔记本，但现在找不到了，所以我将带您转到另一个，虽然不那么好，但仍可以澄清一些数学问题。