Funkce doporučovacího systému

V tomto cvičení vytvoříme funkci doporučovacího systému get_recommendations(), jak jsme probírali v lekci a předchozím cvičení. Jak víš, funkce přijímá název filmu, matici kosinové podobnosti a mapování názvů a indexů filmů jako argumenty a vrací seznam 10 filmů nejpodobnějších zadanému názvu (bez samotného zadaného filmu).

Máš k dispozici datovou sadu metadata, která obsahuje názvy filmů a jejich přehledy. Začátek této datové sady byl vypsán do konzole.

Toto cvičení je součástí kurzu

Feature Engineering for NLP in Python

Zobrazit kurz

Pokyny k cvičení

Získej index filmu odpovídajícího zadanému názvu pomocí klíče title v indices.
Extrahuj deset nejpodobnějších filmů z sim_scores a výsledek ulož zpět do sim_scores.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Generate mapping between titles and index
indices = pd.Series(metadata.index, index=metadata['title']).drop_duplicates()

def get_recommendations(title, cosine_sim, indices):
    # Get index of movie that matches title
    idx = ____[____]
    # Sort the movies based on the similarity scores
    sim_scores = list(enumerate(cosine_sim[idx]))
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
    # Get the scores for 10 most similar movies
    sim_scores = sim_scores[____]
    # Get the movie indices
    movie_indices = [i[0] for i in sim_scores]
    # Return the top 10 most similar movies
    return metadata['title'].iloc[movie_indices]

Upravit a spustit kód