非专家用推荐系统
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
Recotem 是一个面向非机器学习专家的推荐系统工具。它的核心理念是“recipe 驱动”：一个 YAML 文件定义数据来源、字段映射、清洗规则、训练配置和模型制品输出；一次 recipe 训练产出一个签名 artifact，并对应一个 /predict/{name} HTTP 推荐端点。
从正文看，Recotem 的重点不是提供低层算法库，而是把推荐系统工程链路产品化。CLI 可执行数据获取、Optuna 调参、训练、签名和服务启动；数据源支持 CSV、Parquet、BigQuery、SQL、GA4，也允许通过插件扩展。服务端基于 FastAPI，训练与服务进程解耦，通过二进制 artifact 传递模型，没有共享数据库或 RPC 依赖。
安全设计较突出。artifact 使用 HMAC 签名，服务加载前完整校验；支持 KeyRing 多 key 轮换，反序列化时还有 FQCN allow-list。生产环境不能绕过校验，开发模式下的未签名加载也有显式保护。部署方面提供 Docker、Kubernetes、cron/systemd 模式，并支持 artifact 热替换：新模型校验和反序列化成功后原子切换，失败则继续使用旧模型并记录到 health 与 Prometheus 指标。
正文只出现“View on GitHub”，但未明确许可证、开源协议、商业版本或托管服务价格，因此无法判断其开源边界和定价模式。若用于生产，应先核查仓库许可证、维护活跃度和安全更新机制。
优点是配置驱动、上手门槛低，工程边界清晰，适合需要把用户-物品交互数据快速转成推荐 API 的团队。它也适合周期性离线重训、灰度替换模型的自托管场景。局限在于正文未体现复杂特征工程、在线学习、实验平台或可视化运营能力；团队仍需具备一定 DevOps 与数据源配置能力。
未看到中国大陆访问、镜像、支付或本地化支持信息，china_access 只能评为未知。若访问 GitHub、BigQuery、GA4 等依赖受限，国内部署时可能需要网络代理或替换数据源。可对比 LensKit、RecBole、LightFM、implicit、Metarank 等替代方案。
本测评基于公开资料整理,不构成购买建议,请以 recotem.org 官网实际信息为准。
配置即可用推荐系统，有GitHub文档。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。