写在前面

准备近期将微软的machinelearning-samples翻译成中文，水平有限，如有错漏，请大家多多指正。
如果有朋友对此感兴趣，可以加入我：https://github.com/feiyun0112/machinelearning-samples.zh-cn

Movie Recommender

ML.NET 版本	API 类型	状态	应用程序类型	数据类型	场景	机器学习任务	算法
v0.7	动态 API	需要升级到v0.8	终端应用程序	.csv	电影推荐	推荐	场感知分解机

Alt Text

概述

MovieRecommender是一个简单的应用程序，它构建和使用推荐模型。

这是一个关于如何使用推荐来增强现有ASP.NET应用程序的终端示例。

本示例从流行的Netflix应用程序中汲取了灵感，并且尽管这个示例主要关注电影推荐，但是可以很容易地应用于任何类型的产品推荐。

特点

Web应用程序
- 这是一个终端ASP.NET应用程序，它包含了三个用户'Ankit'，'Cesar'，'Gal'。然后，它使用ML.NET推荐模型给这三个用户提供建议。
推荐模型
- 应用程序使用MovieLens数据集构建推荐模型。模型训练代码使用基于协同过滤的推荐方法。

它如何工作？

训练模型

Movie Recommender 使用基于协同过滤的推荐方法。

协同过滤的基本假设是，如果A（例如Gal）在某个问题上与B（例如Cesar）具有相同的观点，则A（Gal）更有可能在另一个问题上具有和B（Cesar）相同的意见，而不是一个随机的人。

对于此示例，我们使用 http://files.grouplens.org/datasets/movielens/ml-latest-small.zip 数据集。

模型训练代码可以在MovieRecommender_Model中找到。

模型训练遵循以下四个步骤来构建模型。您可以先跳过代码并继续。

Build -> Train -> Evaluate -> Consume

使用模型

通过以下步骤在Controller中使用训练的模型。

1. 创建ML.NET环境并加载已经训练过的模型


   // 1. Create the ML.NET environment and load the MoviesRecommendation Model
   var ctx = new MLContext();
            
   ITransformer loadedModel;
   using (var stream = new FileStream(_movieService.GetModelPath(), FileMode.Open, FileAccess.Read, FileShare.Read))
   {
   loadedModel = ctx.Model.Load(stream);
   }

2. 创建预测函数以预测一组电影推荐

   //3. Create a prediction function
   var predictionfunction = loadedModel.MakePredictionFunction<RatingData, RatingPrediction>(ctx);
            
   List<Tuple<int, float>> ratings = new List<Tuple<int, float>>();
   List<Tuple<int, int>> MovieRatings = _profileService.GetProfileWatchedMovies(id);
   List<Movie> WatchedMovies = new List<Movie>();

   foreach (Tuple<int, int> tuple in MovieRatings)
   {
   WatchedMovies.Add(_movieService.Get(tuple.Item1));
   }
   
   RatingPrediction prediction = null;
   
   foreach (var movie in _movieService._trendingMovies)
   {
   // Call the Rating Prediction for each movie prediction
      prediction = predictionfunction.Predict(new RatingData { userId = id.ToString(), movieId = movie.MovieID.ToString()});
              
   // Normalize the prediction scores for the "ratings" b/w 0 - 100
      var normalizedscore = Sigmoid(prediction.Score);

   // Add the score for recommendation of each movie in the trending movie list
      ratings.Add(Tuple.Create(movie.MovieID, normalizedscore));
   }

3. 为要显示的视图提供评分预测

   ViewData["watchedmovies"] = WatchedMovies;
   ViewData["ratings"] = ratings;
   ViewData["trendingmovies"] = _movieService._trendingMovies;
   return View(activeprofile);

替代方法

这个示例显示了许多可以用于ML.NET的推荐方法之一。根据您的特定场景，您可以选择以下任何最适合您的用例的方法。

场景	算法	示例链接
您想使用诸如用户Id、产品Id、评分、产品描述、产品价格等属性（特性）作为推荐引擎。在这种场景中，场感知分解机是一种通用的方法，您可以使用它来构建推荐引擎	场感知分解机	当前示例
你有用用户购买行为中的户ID，产品和评分。对于这种情况，您应该使用矩阵分解法	矩阵分解	矩阵分解 - 推荐
你仅有用户购买行为中用户Id和产品Id，但是没有评分。这在来自在线商店的数据集中很常见，您可能只能访问客户的购买历史记录。有了这种类型的推荐，你可以建立一个推荐引擎用来推荐经常购买的物品。	One Class 矩阵分解	Product Recommender

ML.NET 示例：推荐之场感知分解机

写在前面