Empfehlungen mit TF-IDF erstellen
In der letzten Übung hast du die Ähnlichkeitswerte zwischen allen Filmen im Datensatz vorab berechnet, basierend auf ihren mittels TF-IDF transformierten Handlungsbeschreibungen. Jetzt packst du diese Ähnlichkeitswerte in ein DataFrame, um sie leichter nutzen zu können. Anschließend verwendest du dieses neue DataFrame, um eine Filmempfehlung vorzuschlagen.
Das cosine_similarity_array, das die Matrix der Ähnlichkeitswerte zwischen allen Filmen enthält und das du in der letzten Übung erstellt hast, wurde für dich geladen. Das DataFrame tfidf_summary_df, das die Filme und ihre TF-IDF-Merkmale enthält, ist ebenfalls verfügbar.
Diese Übung ist Teil des Kurses
<Kurs>Recommendation Engines mit Python entwickeln</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Wrap the preloaded array in a DataFrame
cosine_similarity_df = pd.____(____, index=tfidf_summary_df.index, columns=tfidf_summary_df.index)
# Find the values for the movie Rio
cosine_similarity_series = ____.____['Rio']
# Sort these values highest to lowest
ordered_similarities = cosine_similarity_series.____(____)
# Print the results
print(____)