Faire des recommandations avec TF-IDF
Dans le dernier exercice, vous avez précalculé les cotes de similarité entre tous les films du jeu de données en fonction de leurs résumés transformés par TF-IDF. Vous allez maintenant placer ces cotes de similarité dans un DataFrame pour en faciliter l'utilisation. Ensuite, vous vous servirez de ce nouveau DataFrame pour suggérer un film en recommandation.
Le tableau cosine_similarity_array contenant la matrice des valeurs de similarité entre tous les films que vous avez créée au dernier exercice a été chargé pour vous. Le DataFrame tfidf_summary_df, qui contient les films et leurs caractéristiques TF-IDF, est aussi disponible.
Cette activité fait partie du cours
Créer des moteurs de recommandation en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____)