REPOGEO 报告 · LITE

datawhalechina/fun-rec

默认分支 master · commit 13509d60 · 扫描时间 2026/6/18 05:57:46

星标 7,167 · Fork 1,012

本仓库扫描历史

下方为分数趋势（含全部就绪扫描；左旧右新，可横向滚动）。表格明细默认折叠，展开后每页 10 条，最新在上。

分数趋势（左 → 右：旧 → 新）

共 2 条就绪扫描。点击下方按钮展开表格（每页 10 条，可翻页）。

AI 可见性总分

35 /100

亟需修复

品类召回

0 / 2

在所有问题中均未被推荐

规则结果

通过 1 · 警告 1 · 失败 0

客观元数据检查

AI 认识你的名字

3 / 3

直接询问时，AI 是否点名你的仓库

如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 datawhalechina/fun-rec 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向

highhomepage#1
Add the online tutorial URL as the repository homepage
原因：
复制粘贴的修复
```
https://datawhalechina.github.io/fun-rec/
```
highlicense#2
Add a LICENSE file to the repository root
原因：
复制粘贴的修复
```
Add a `LICENSE` file to the repository root with the MIT License text.
```

mediumreadme#3

Refine the README opening to explicitly state its nature as a comprehensive tutorial/book

原因：

当前

<div align=center>

复制粘贴的修复

本项目是一份全面系统的开源教程与实践指南（一本“书”），深入讲解推荐系统从传统级联架构到现代生成式范式的技术演进。它旨在帮助学习者和实践者掌握核心算法原理与工程实践。

<div align=center>

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回

0 / 2

0% 的问题里出现了 datawhalechina/fun-rec

平均排名

—

越小越好。#1 表示首位推荐。

声量占比

在所有被点名的工具中，你占了多少？

头号对手

Recommender Systems Handbook

在 2 个问题中被推荐 1 次

竞品排行

Recommender Systems Handbook · 被推荐 1 次
Deep Learning for Recommender Systems · 被推荐 1 次
Coursera's 'Deep Learning Specialization' by Andrew Ng · 被推荐 1 次
Google's 'Recommendations AI' · 被推荐 1 次
Attention Is All You Need · 被推荐 1 次

品类问题
How to learn modern recommendation system algorithms, from traditional methods to generative AI paradigms?
你：未被推荐
AI 推荐顺序：
1. Recommender Systems Handbook
2. Deep Learning for Recommender Systems
3. Coursera's 'Deep Learning Specialization' by Andrew Ng
4. Google's 'Recommendations AI'
5. Attention Is All You Need
6. BERT4Rec
AI 推荐了 6 个替代方案，却始终没点名 datawhalechina/fun-rec。这就是要补上的差距。
查看 AI 完整回答
品类问题
Seeking a practical guide for implementing deep learning and generative models in recommender systems.
你：未被推荐
AI 推荐顺序：
1. TensorFlow (tensorflow/tensorflow)
2. PyTorch (pytorch/pytorch)
3. JAX (google/jax)
4. Surprise (NicolasHug/Surprise)
5. LightFM (lyst/lightfm)
6. TensorFlow Recommenders (tensorflow/recommenders)
7. Hugging Face Transformers (huggingface/transformers)
8. Pandas (pandas-dev/pandas)
9. Scikit-learn (scikit-learn/scikit-learn)
10. TensorFlow Serving (tensorflow/serving)
11. TorchServe (pytorch/serve)
12. Kubeflow (kubeflow/kubeflow)
AI 推荐了 12 个替代方案，却始终没点名 datawhalechina/fun-rec。这就是要补上的差距。
查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

Metadata completeness
warn
建议：
README presence
pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

Compared to common alternatives in this category, what is the core differentiator of datawhalechina/fun-rec?
pass
AI 明确点名了 datawhalechina/fun-rec
AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？
If a team adopts datawhalechina/fun-rec in production, what risks or prerequisites should they evaluate first?
pass
AI 明确点名了 datawhalechina/fun-rec
AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？
In one sentence, what problem does the repo datawhalechina/fun-rec solve, and who is the primary audience?
pass
AI 明确点名了 datawhalechina/fun-rec
AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 datawhalechina/fun-rec 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

实时预览

MARKDOWN（README）

[![RepoGEO](https://repogeo.com/badge/datawhalechina/fun-rec.svg)](https://repogeo.com/zh/r/datawhalechina/fun-rec)

HTML

<a href="https://repogeo.com/zh/r/datawhalechina/fun-rec"><img src="https://repogeo.com/badge/datawhalechina/fun-rec.svg" alt="RepoGEO" /></a>

Pro

订阅 Pro，解锁深度诊断

datawhalechina/fun-rec — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

深度报告每月 10 次
无品牌品类查询5，轻量 2
优先行动项8，轻量 3