使用ASP.NET Core和机器学习进行智能推荐系统开发

使用ASP.NET Core和机器学习进行智能推荐系统开发：从零构建一个电影推荐API

大家好，作为一名在.NET生态里摸爬滚打多年的开发者，我最近对机器学习（ML）在Web应用中的落地产生了浓厚兴趣。传统的推荐逻辑往往基于简单的规则，比如“看了A的用户也看了B”，但效果有限。这次，我决定挑战自己，用ASP.NET Core和ML.NET框架，亲手搭建一个更“智能”的电影推荐系统。整个过程充满了探索和踩坑，今天就把我的实战经验分享给大家。

一、项目构思与环境搭建

我的目标是构建一个Web API，输入一个用户ID和一部电影ID，系统能返回给这个用户推荐的电影列表。核心思路是采用“协同过滤”算法，分析用户的历史评分数据，找出兴趣相似的用户或电影，从而进行预测。

首先，创建一个新的ASP.NET Core Web API项目：

dotnet new webapi -n MovieRecommender
cd MovieRecommender

接着，我们需要引入机器学习相关的NuGet包。ML.NET是微软为.NET开发者提供的开源机器学习框架，完美集成在.NET生态中。

dotnet add package Microsoft.ML
dotnet add package Microsoft.ML.Recommender

数据方面，我使用了经典的MovieLens小数据集（ml-latest-small），它包含了用户对电影的评分记录。下载后，将`ratings.csv`和`movies.csv`文件放入项目根目录的`Data`文件夹下。

二、定义数据模型与准备数据

机器学习的第一步永远是处理数据。我们需要定义与CSV文件对应的C#类，以及ML.NET管道所需的模型类。

在`Models`文件夹下，我创建了以下几个类：

// MovieRating.cs - 对应原始评分数据
public class MovieRating
{
    [LoadColumn(0)]
    public float UserId { get; set; }
    [LoadColumn(1)]
    public float MovieId { get; set; }
    [LoadColumn(2)]
    public float Label { get; set; } // 实际评分，如4.5分
}

// MovieRatingPrediction.cs - 预测输出模型
public class MovieRatingPrediction
{
    public float Label { get; set; } // 原始评分
    public float Score { get; set; } // 预测评分
}

// Movie.cs - 电影信息，用于最终结果展示
public class Movie
{
    public int MovieId { get; set; }
    public string Title { get; set; }
    public string Genres { get; set; }
}

这里有个小坑：ML.NET的推荐算法要求输入数据中的ID是`float`类型，尽管它们本质上是整数。`Label`字段代表我们想要预测的值，即评分。

三、构建与训练机器学习模型

这是最核心的一步。我创建了一个服务类`MovieRecommendationService`来封装所有ML逻辑。在`Program.cs`中将其注册为单例，因为模型训练开销较大，一次加载，多次使用。

// 在Program.cs中注册服务
builder.Services.AddSingleton();

服务类的初始化方法包含了完整的模型训练管道：

public class MovieRecommendationService
{
    private readonly MLContext _mlContext;
    private ITransformer _model;
    private PredictionEngine _predictionEngine;

    public MovieRecommendationService()
    {
        _mlContext = new MLContext(seed: 0);
        TrainModel();
    }

    private void TrainModel()
    {
        // 1. 加载数据
        var dataPath = Path.Combine(Directory.GetCurrentDirectory(), "Data", "ratings.csv");
        IDataView dataView = _mlContext.Data.LoadFromTextFile(
            dataPath, hasHeader: true, separatorChar: ',');

        // 2. 拆分数据集（80%训练，20%测试）
        var trainTestSplit = _mlContext.Data.TrainTestSplit(dataView, testFraction: 0.2);
        var trainingData = trainTestSplit.TrainSet;
        var testData = trainTestSplit.TestSet;

        // 3. 定义数据处理和训练管道
        // 使用MatrixFactorization（矩阵分解）算法，这是协同过滤的常用方法
        var pipeline = _mlContext.Transforms.Conversion.MapValueToKey(
                outputColumnName: "UserIdEncoded", inputColumnName: "UserId")
            .Append(_mlContext.Transforms.Conversion.MapValueToKey(
                outputColumnName: "MovieIdEncoded", inputColumnName: "MovieId"))
            .Append(_mlContext.Recommendation().Trainers.MatrixFactorization(
                labelColumnName: "Label",
                matrixColumnIndexColumnName: "UserIdEncoded",
                matrixRowIndexColumnName: "MovieIdEncoded"));

        // 4. 训练模型
        Console.WriteLine("开始训练模型...这可能需要几分钟。");
        _model = pipeline.Fit(trainingData);
        Console.WriteLine("模型训练完成！");

        // 5. 评估模型（可选但很重要）
        var predictions = _model.Transform(testData);
        var metrics = _mlContext.Regression.Evaluate(predictions, labelColumnName: "Label");
        Console.WriteLine($"模型评估完成，均方根误差(RMSE): {metrics.RootMeanSquaredError:F2}");
        // RMSE越小越好，它衡量了预测评分与实际评分的平均差异。

        // 6. 创建预测引擎
        _predictionEngine = _mlContext.Model.CreatePredictionEngine(_model);
    }
}

踩坑提示：训练时间可能比预期长，特别是在数据集较大时。务必在异步上下文中调用相关方法，避免阻塞API主线程。矩阵分解算法对参数敏感，可以调整`NumberOfIterations`等参数来平衡训练时间和精度。

四、实现推荐API控制器

模型准备好后，我们就可以通过Web API来提供推荐服务了。我设计了两个主要的端点：一个用于预测单个用户对某部电影的评分，另一个是核心功能——为该用户生成Top N的电影推荐列表。

[ApiController]
[Route("api/[controller]")]
public class RecommendationsController : ControllerBase
{
    private readonly MovieRecommendationService _recommendationService;
    private readonly List _movieCatalog; // 从movies.csv加载的电影列表

    public RecommendationsController(MovieRecommendationService recommendationService)
    {
        _recommendationService = recommendationService;
        // 初始化时加载电影目录
        _movieCatalog = LoadMovieCatalog();
    }

    [HttpGet("predict")]
    public ActionResult PredictRating(int userId, int movieId)
    {
        var input = new MovieRating { UserId = userId, MovieId = movieId };
        var prediction = _recommendationService.Predict(input);
        return Ok(prediction.Score);
    }

    [HttpGet("topn/{userId}")]
    public ActionResult<IEnumerable