Handlungsempfehlungssystem

In dieser Übung bauen wir ein Empfehlungssystem, das Filme anhand der Ähnlichkeit ihrer Handlungsbeschreibungen vorschlägt. Du bekommst eine Funktion get_recommendations(), die den Titel eines Films, eine Ähnlichkeitsmatrix und eine indices-Series als Argumente nimmt und eine Liste der ähnlichsten Filme ausgibt. indices wurde dir bereits bereitgestellt.

Außerdem erhältst du eine Series movie_plots, die die Handlungsbeschreibungen mehrerer Filme enthält. Deine Aufgabe ist es, eine Cosine-Ähnlichkeitsmatrix für die tf-idf-Vektoren dieser Beschreibungen zu erzeugen.

Anschließend prüfen wir die Leistungsfähigkeit unserer Engine, indem wir Empfehlungen für einen meiner Lieblingsfilme erzeugen: The Dark Knight Rises.

Diese Übung ist Teil des Kurses

<Kurs>Feature Engineering für NLP in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Initialisiere einen TfidfVectorizer mit englischen stop_words. Nenne ihn tfidf.
Erzeuge tfidf_matrix, indem du die Filmbeschreibungen mit fit_transform() fitst und transformierst.
Erzeuge die Cosine-Ähnlichkeitsmatrix cosine_sim mit tfidf_matrix. Verwende nicht cosine_similarity()!
Nutze get_recommendations(), um Empfehlungen für 'The Dark Knight Rises' zu erzeugen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Initialize the TfidfVectorizer 
tfidf = ____(____='english')

# Construct the TF-IDF matrix
tfidf_matrix = tfidf.____(movie_plots)

# Generate the cosine similarity matrix
cosine_sim = ____(tfidf_matrix, tfidf_matrix)
 
# Generate recommendations 
print(get_recommendations(____, cosine_sim, indices))

Code bearbeiten und ausführen