Die Empfehlungsfunktion

In dieser Übung bauen wir die Empfehlungsfunktion get_recommendations(), wie in der Lektion und der vorherigen Übung besprochen. Wie du weißt, nimmt sie einen Titel, eine Kosinus-Ähnlichkeitsmatrix sowie ein Mapping von Filmtiteln zu Indizes als Argumente und gibt eine Liste der 10 Titel aus, die dem ursprünglichen Titel am ähnlichsten sind (ohne den Titel selbst).

Du erhältst den Datensatz metadata, der aus Filmtiteln und Zusammenfassungen besteht. Der Anfang dieses Datensatzes wurde in der Konsole ausgegeben.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Hole den Index des Films, der zum Titel passt, indem du den title-Schlüssel von indices verwendest.
Extrahiere die zehn ähnlichsten Filme aus sim_scores und speichere sie zurück in sim_scores.

Interaktive praktische Übung

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

# 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]

Code bearbeiten und ausführen