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。

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。