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

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 

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);

关键字：