توضیحات مدل فوق:

در این مدل، با توجه به امتیازاتی که کاربران به فیلم هایی که دیده اند، داده اند، مدل تشابهی میان فیلم ها و امتیازات کاربران پیدا کرده و پیش بینی می کند که کابر به فیلم هایی که ندیده تا کنون، چه امتیازی خواهد داد.

کارکرد اصلی این مدل به عنوان یک توصیه گر است. مثلا netflix یا filimo با توجه به امتیازاتی که کاربر به فیلم هایی که دیده است، داده است، امتیازات فیلم های جدید را پیش بینی می کند و سپس تصمیم می گیرد کدام فیلم را به کاربر (زمانی که به اکانت خود لاگین می شود) پیشنهاد دهد.

این مدل همچنین زمانی می تواند مفید باشد که سلیقه دو نفر شبیه به هم است و با توجه به امتیازی که فرد به یک فیلم خواهد داد، فرد دوم تصمیم می گیرد که آیا فیلم را ببیند یا خیر!!! یا مثلا به سلیقه یک کارگردان و یا بازیگری اعتماد دارید و با توجه به امتیازی که به یک فیلم خواهد داد، تصمیم می گیرید آن فیلم را ببینید یا خیر!.

دو دیتاست در اینجا وجود دارد که در یک فایل zip ارائه می گردد و از لینک زیر قابل دانلود است. این دیتاست هم از وبسایت معتبر Kaggle تهیه گردیده است. لینک

ابتدا توسط یک کد R ستون اضافی از دیتاست حذف گردیده و دیتاست نهایی برای آموزش مدل در اینجا قرار داده شده است: دیتاست نهایی

مدل به کار رفته در فریمورک ML.NET برای Recommendation، مدل MatrixFactorization است.

نکته مهم:
دیتاست ها را دانلود نموده و آیدی کاربر و آیدی فیلم ها را وارد کنید تا امتیاز کاربر مدنظر را بیابید. برای اینکه بدانید آیدی هر فیلم به چه فیلمی تعلق دارد، به دیتاست Movie_Id_Titles.csv مراجعه نمائید.