.net core协同过滤算法实现完整代码

以下是一个简单的基于 .NET Core 的协同过滤算法实现示例：

using System;
using System.Collections.Generic;
using System.Linq;

namespace CollaborativeFiltering
{
    public class Rating
    {
        public int UserId { get; set; }
        public int ItemId { get; set; }
        public double Score { get; set; }
    }

    public class CollaborativeFiltering
    {
        private List<Rating> ratings;

        public CollaborativeFiltering(List<Rating> ratings)
        {
            this.ratings = ratings;
        }

        public double Predict(int userId, int itemId)
        {
            // 找到所有用户对该物品的评分
            var itemRatings = ratings.Where(r => r.ItemId == itemId).ToList();

            // 找到所有评价者对该物品的评分的用户
            var users = itemRatings.Select(r => r.UserId).Distinct();

            // 找到相似度最高的用户
            var similarities = new Dictionary<int, double>();
            foreach (var user in users)
            {
                var userSimilarity = CalculateSimilarity(userId, user);
                similarities[user] = userSimilarity;
            }
            var mostSimilarUser = similarities.OrderByDescending(x => x.Value).First().Key;

            // 返回最相似用户的评分作为预测值
            var prediction = ratings.FirstOrDefault(r => r.UserId == mostSimilarUser && r.ItemId == itemId)?.Score;
            return prediction ?? 0;
        }

        private double CalculateSimilarity(int user1Id, int user2Id)
        {
            // 找到两个用户评价过的所有物品
            var user1Items = ratings.Where(r => r.UserId == user1Id).Select(r => r.ItemId).ToList();
            var user2Items = ratings.Where(r => r.UserId == user2Id).Select(r => r.ItemId).ToList();

            // 找到两个用户都评价过的物品
            var commonItems = user1Items.Intersect(user2Items);

            // 计算两个用户对这些物品评分的差值
            var differences = new List<double>();
            foreach (var item in commonItems)
            {
                var user1Rating = ratings.FirstOrDefault(r => r.UserId == user1Id && r.ItemId == item)?.Score ?? 0;
                var user2Rating = ratings.FirstOrDefault(r => r.UserId == user2Id && r.ItemId == item)?.Score ?? 0;
                differences.Add(user1Rating - user2Rating);
            }

            // 计算两个用户评分差值的平方和
            var sumOfSquares = differences.Sum(d => d * d);

            // 返回相似度
            return 1 / (1 + Math.Sqrt(sumOfSquares));
        }
    }
}

上述代码中，`Rating` 类表示用户对物品的评分，`CollaborativeFiltering` 类封装了协同过滤算法的实现，包括预测用户对物品的评分和计算用户之间的相似度。在 `Predict` 方法中，我们首先找到所有用户对该物品的评分，然后找到所有评价者对该物品的评分的用户，并计算这些用户与当前用户的相似度。最后，返回相似度最高的用户的评分作为预测值。

在 `CalculateSimilarity` 方法中，我们首先找到两个用户评价过的所有物品，然后找到两个用户都评价过的物品，并计算这些物品上两个用户评分的差值。最后，我们计算两个用户评分差值的平方和，并返回相似度。

需要注意的是，这只是一个简单的协同过滤算法的实现示例，实际应用中还需要考虑一些问题，比如数据稀疏性、冷启动问题等。