機器學習常見的推薦演算法(.net)

来源:https://www.cnblogs.com/hanbing81868164/archive/2023/12/04/17874228.html
-Advertisement-
Play Games

推薦演算法是機器學習和數據挖掘領域的重要組成部分,用於為用戶提供個性化推薦內容。在.NET中,可以使用不同的演算法來實現推薦系統。在本文中,我將介紹三種常見的推薦演算法:協同過濾、內容過濾和深度學習推薦系統,並提供相應的.NET源代碼示例。 協同過濾推薦演算法 協同過濾演算法基於用戶行為數據,通過分析用戶之間 ...


 

推薦演算法是機器學習和數據挖掘領域的重要組成部分,用於為用戶提供個性化推薦內容。在.NET中,可以使用不同的演算法來實現推薦系統。在本文中,我將介紹三種常見的推薦演算法:協同過濾、內容過濾和深度學習推薦系統,並提供相應的.NET源代碼示例。

協同過濾推薦演算法

協同過濾演算法基於用戶行為數據,通過分析用戶之間的相似性來為用戶提供推薦內容。常見的協同過濾演算法包括基於用戶的協同過濾和基於物品的協同過濾。下麵是一個基於用戶的協同過濾的.NET示例:

using System;
using System.Collections.Generic;

class CollaborativeFiltering
{
    static void Main()
    {
        // 用戶-物品評分矩陣
        Dictionary<string, Dictionary<string, double>> userItemRatings = new Dictionary<string, Dictionary<string, double>>
        {
            { "User1", new Dictionary<string, double> { { "Item1", 5.0 }, { "Item2", 3.0 } } },
            { "User2", new Dictionary<string, double> { { "Item1", 4.0 }, { "Item3", 1.0 } } },
            { "User3", new Dictionary<string, double> { { "Item2", 4.5 }, { "Item4", 2.0 } } }
        };

        string targetUser = "User2";
        string targetItem = "Item2";

        // 計算與目標用戶相似的其他用戶
        var similarUsers = FindSimilarUsers(userItemRatings, targetUser);

        // 基於相似用戶的評分預測
        double predictedRating = PredictRating(userItemRatings, similarUsers, targetUser, targetItem);

        Console.WriteLine($"預測用戶 {targetUser} 對物品 {targetItem} 的評分為: {predictedRating}");
    }

    static Dictionary<string, double> FindSimilarUsers(Dictionary<string, Dictionary<string, double>> userItemRatings, string targetUser)
    {
        Dictionary<string, double> similarUsers = new Dictionary<string, double>();

        foreach (var user in userItemRatings.Keys)
        {
            if (user != targetUser)
            {
                double similarity = CalculateSimilarity(userItemRatings[targetUser], userItemRatings[user]);
                similarUsers.Add(user, similarity);
            }
        }

        return similarUsers;
    }

    static double CalculateSimilarity(Dictionary<string, double> ratings1, Dictionary<string, double> ratings2)
    {
        // 計算兩個用戶之間的相似性,可以使用不同的方法,如皮爾遜相關係數、餘弦相似度等
        // 這裡使用簡單的歐氏距離作為示例
        double distance = 0.0;
        foreach (var item in ratings1.Keys)
        {
            if (ratings2.ContainsKey(item))
            {
                distance += Math.Pow(ratings1[item] - ratings2[item], 2);
            }
        }

        return 1 / (1 + Math.Sqrt(distance));
    }

    static double PredictRating(Dictionary<string, Dictionary<string, double>> userItemRatings, Dictionary<string, double> similarUsers, string targetUser, string targetItem)
    {
        double numerator = 0.0;
        double denominator = 0.0;

        foreach (var user in similarUsers.Keys)
        {
            if (userItemRatings[user].ContainsKey(targetItem))
            {
                numerator += similarUsers[user] * userItemRatings[user][targetItem];
                denominator += Math.Abs(similarUsers[user]);
            }
        }

        if (denominator == 0)
        {
            return 0; // 無法預測
        }

        return numerator / denominator;
    }
}

在這個示例中,我們建立了一個用戶-物品評分矩陣,並使用基於用戶的協同過濾演算法來預測用戶對物品的評分。首先,我們計算與目標用戶相似的其他用戶,然後基於相似用戶的評分進行預測。

內容過濾推薦演算法

內容過濾演算法基於物品的屬性信息,為用戶提供與其歷史喜好相似的物品。下麵是一個基於內容過濾的.NET示例:

using System;
using System.Collections.Generic;

class ContentFiltering
{
    static void Main()
    {
        // 物品-屬性矩陣
        Dictionary<string, Dictionary<string, double>> itemAttributes = new Dictionary<string, Dictionary<string, double>>
        {
            { "Item1", new Dictionary<string, double> { { "Genre", 1.0 }, { "Year", 2010.0 } } },
            { "Item2", new Dictionary<string, double> { { "Genre", 2.0 }, { "Year", 2015.0 } } },
            { "Item3", new Dictionary<string, double> { { "Genre", 1.5 }, { "Year", 2020.0 } } }
        };

        string targetUser = "User1";

        // 用戶歷史喜好
        List<string> userLikedItems = new List<string> { "Item1", "Item2" };

        // 基於內容相似性的物品推薦
        var recommendedItems = RecommendItems(itemAttributes, userLikedItems, targetUser);

        Console.WriteLine($"為用戶 {targetUser} 推薦的物品是: {string.Join(", ", recommendedItems)}");
    }

    static List<string> RecommendItems(Dictionary<string, Dictionary<string, double>> itemAttributes, List<string> userLikedItems, string targetUser)
    {
        Dictionary<string, double> itemScores = new Dictionary<string, double>();

        foreach (var item in itemAttributes.Keys)
        {
            if (!userLikedItems.Contains(item))
            {
                double similarity = CalculateItemSimilarity(itemAttributes, userLikedItems, item, targetUser);
                itemScores.Add(item, similarity);
            }
        }

        // 根據相似性得分排序物品
        var sortedItems = itemScores.OrderByDescending(x => x.Value).Select(x => x.Key).ToList();

        return sortedItems;
    }

    static double CalculateItemSimilarity(Dictionary<string, Dictionary<string, double>> itemAttributes, List<string> userLikedItems, string item1, string targetUser)
    {
        double similarity = 0.0;

        foreach (var item2 in userLikedItems

)
        {
            similarity += CalculateJaccardSimilarity(itemAttributes[item1], itemAttributes[item2]);
        }

        return similarity;
    }

    static double CalculateJaccardSimilarity(Dictionary<string, double> attributes1, Dictionary<string, double> attributes2)
    {
        // 計算Jaccard相似性,可以根據屬性值的相似性定義不同的相似性度量方法
        var intersection = attributes1.Keys.Intersect(attributes2.Keys).Count();
        var union = attributes1.Keys.Union(attributes2.Keys).Count();

        return intersection / (double)union;
    }
}

在這個示例中,我們建立了一個物品-屬性矩陣,並使用基於內容過濾的演算法為用戶推薦物品。我們計算了物品之間的相似性,根據用戶的歷史喜好來推薦與其相似的物品。

深度學習推薦系統

深度學習推薦系統利用神經網路模型來學慣用戶和物品之間的複雜關係,以提供更準確的個性化推薦。下麵是一個.NET示例,演示如何使用PyTorch庫來構建一個簡單的深度學習推薦系統:

// 請註意,此示例需要安裝PyTorch.NET庫

using System;
using System.Linq;
using Python.Runtime;
using torch = Python.Runtime.Torch;

class DeepLearningRecommendation
{
    static void Main()
    {
        // 啟動Python運行時
        using (Py.GIL())
        {
            // 創建一個簡單的神經網路模型
            var model = CreateRecommendationModel();

            // 模擬用戶和物品的數據
            var userFeatures = torch.tensor(new double[,] { { 0.1, 0.2 }, { 0.4, 0.5 } });
            var itemFeatures = torch.tensor(new double[,] { { 0.6, 0.7 }, { 0.8, 0.9 } });

            // 計算用戶和物品之間的交互
            var interaction = torch.mm(userFeatures, itemFeatures.T);

            // 使用模型進行推薦
            var recommendations = model.forward(interaction);

            Console.WriteLine("推薦得分:");
            Console.WriteLine(recommendations);
        }
    }

    static dynamic CreateRecommendationModel()
    {
        using (Py.GIL())
        {
            dynamic model = torch.nn.Sequential(
                torch.nn.Linear(2, 2),
                torch.nn.ReLU(),
                torch.nn.Linear(2, 1),
                torch.nn.Sigmoid()
            );

            return model;
        }
    }
}

在這個示例中,我們使用PyTorch.NET庫創建了一個簡單的神經網路模型,用於推薦。我們模擬了用戶和物品的特征數據,並計算了用戶和物品之間的交互。最後,使用模型進行推薦。

本文提供了三種常見的推薦演算法示例,包括協同過濾、內容過濾和深度學習推薦系統。這些演算法在.NET環境中的實現有助於開發人員理解不同類型的推薦系統,併為用戶提供個性化推薦。

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 1.部署異常如下: 2.出現原因 這個問題的原因是高版本的tomcat中的新特性:就是嚴格按照 RFC 3986規範進行訪問解析,而 RFC 3986規範定義了Url中只允許包含英文字母(a-zA-Z)、數字(0-9)、-_.~4個特殊字元以及所有保留字元(RFC3986中指定了以下字元為保留字元: ...
  • 記憶體是在程式中打交道不可缺少的存在,或者在GC語言中記憶體概念會被刻意的屏蔽掉,但如果是棧遞歸函數調用自身這種情況,stack overflow這種情況是一樣的會碰到的,所以瞭解下堆與棧碰到問題的時候好解決問題 ...
  • 在.NET Core中,使用Action和Options參數方式配置服務並將配置信息對象註冊到IServiceCollection的好處在於,它提供了更高級別的可配置性和可擴展性。這種模式允許將配置信息與服務的實現分離,使配置更加模塊化和可管理。通過將配置信息對象註冊到IServiceCollect ...
  • 簡介 從C# 3.0起很少需要自己聲明委托。System.Func 是一個泛型委托,它可以表示帶有返回值的方法。它可以接受一個到多個輸入參數,並返回一個指定類型的結果。System.Func 委托的最後一個類型參數表示方法的返回值類型。而System.Action系列代表返回void的方法。 Fun ...
  • 這是我在C#中第一次用到json,以前都用別的替代,但是瞭解了之後發現這個是真的好用。 首先,有幾個網站先貼上來保存一下。 JSON 模式驗證器 - Newtonsoft (jsonschemavalidator.net),顧名思義,就是驗證我們的json格式是否正確。 Introduction ( ...
  • 在本示例中,我們將使用Autofac和AspectC(Autofac.Extras.DynamicProxy2)來演示如何實現AOP(面向切麵編程)。我們將創建一個簡單的C#控制台應用程式,並應用AOP以解決日誌記錄的問題。首先,讓我們討論AOP的用途和目標。 AOP(面向切麵編程)的用途 AOP是 ...
  • 在我們很多應用系統中,往往都需要根據實際情況生成一些編碼規則,如訂單號、入庫單號、出庫單號、退貨單號等等,我們有時候根據規則自行增加一個函數來生成處理,不過我們仔細觀察後,發現它們的編碼規則有很大的共通性,因此可以考慮使用一些通用的業務編碼規則生成,從而在系統中統一維護即可,本篇隨筆介紹如何在WIn... ...
  • 一:背景 1. 講故事 在高級調試的旅程中,經常會有一些朋友問我什麼是 工作集(記憶體),什麼是 提交大小,什麼是 Virtual Size, 什麼是 Working Set 。。。截圖如下: 既然有很多朋友問,這些用口頭也不怎麼好描述,剛好上午有時間就系統的聊一下吧。 二:記憶體術語解讀 1. Vir ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...