TED-Talk-Empfehlungssystem

In dieser Übung bauen wir ein Empfehlungssystem, das TED-Talks anhand ihrer Transkripte vorschlägt. Du bekommst eine Funktion get_recommendations(), die den Titel eines Talks, eine Ähnlichkeitsmatrix und eine indices-Series als Argumente entgegennimmt und eine Liste der ähnlichsten Talks ausgibt. indices wurde bereits für dich bereitgestellt.

Außerdem erhältst du eine Series transcripts, die die Transkripte von rund 500 TED-Talks enthält. Deine Aufgabe ist es, eine Kosinus-Ähnlichkeitsmatrix für die tf-idf-Vektoren der Talk-Transkripte zu erzeugen.

Anschließend erzeugen wir Empfehlungen für einen Talk mit dem Titel '5 ways to kill your dreams' von der brasilianischen Unternehmerin Bel Pesce.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Initialisiere einen TfidfVectorizer mit englischen Stoppwörtern. Nenne ihn tfidf.
Erzeuge tfidf_matrix, indem du transcripts fitst und transformierst.
Erzeuge die Kosinus-Ähnlichkeitsmatrix cosine_sim mithilfe von tfidf_matrix.
Verwende get_recommendations(), um Empfehlungen für '5 ways to kill your dreams' zu erzeugen.

Interaktive praktische Übung

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

# Initialize the TfidfVectorizer 
tfidf = ____

# Construct the TF-IDF matrix
tfidf_matrix = ____

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

Code bearbeiten und ausführen