Hacer recomendaciones con TF-IDF
En el ejercicio anterior, pre-calculaste las puntuaciones de similitud entre todas las películas del conjunto de datos basándote en sus sinopsis transformadas con TF-IDF. Ahora vas a colocar estas puntuaciones de similitud en un DataFrame para que sea más fácil trabajar con ellas. Después, usarás este nuevo DataFrame para sugerir una recomendación de película.
El cosine_similarity_array, que contiene la matriz con los valores de similitud entre todas las películas que creaste en el ejercicio anterior, ya está cargado. El DataFrame tfidf_summary_df, que contiene las películas y sus características TF-IDF, también está disponible.
Este ejercicio forma parte del curso
Creación de motores de recomendación en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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(____)