Motor de recomendación por argumento

En este ejercicio, construiremos un motor de recomendación que sugiera películas según la similitud de sus sinopsis. Se te ha proporcionado una función get_recommendations() que recibe el título de una película, una matriz de similitud y una serie indices como argumentos, y devuelve una lista con las películas más similares. indices ya está disponible para ti.

También se te ha dado una Serie movie_plots que contiene las sinopsis de varias películas. Tu tarea es generar una matriz de similitud coseno para los vectores tf-idf de estas sinopsis.

Después, comprobaremos la eficacia de nuestro motor generando recomendaciones para una de mis películas favoritas, The Dark Knight Rises.

Este ejercicio forma parte del curso

Ingeniería de características para NLP en Python

Ver curso

Instrucciones del ejercicio

Inicializa un TfidfVectorizer con stop_words en inglés. Llámalo tfidf.
Construye tfidf_matrix ajustando y transformando los datos de las sinopsis con fit_transform().
Genera la matriz de similitud coseno cosine_sim usando tfidf_matrix. ¡No uses cosine_similarity()!
Usa get_recommendations() para generar recomendaciones para 'The Dark Knight Rises'.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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))

Editar y ejecutar código