Moteur de recommandation basé sur le synopsis

Dans cet exercice, nous allons créer un moteur de recommandation qui suggère des films selon la similarité de leur synopsis. On vous fournit une fonction get_recommendations() qui prend en entrée le titre d'un film, une matrice de similarité et une série indices, et qui retourne une liste des films les plus similaires. La série indices vous est déjà fournie.

On vous fournit aussi une série movie_plots qui contient les synopsis de plusieurs films. Votre tâche consiste à générer une matrice de similarité cosinus pour les vecteurs tf-idf de ces synopsis.

Nous vérifierons ensuite l'efficacité de notre moteur en générant des recommandations pour l'un de mes films préférés, The Dark Knight Rises.

Cette activité fait partie du cours

Ingénierie des caractéristiques pour le NLP en Python

Voir le cours

Instructions de l’exercice

Initialisez un TfidfVectorizer avec des stop_words anglais. Nommez-le tfidf.
Construisez tfidf_matrix en ajustant et transformant les données de synopsis de films à l'aide de fit_transform().
Générez la matrice de similarité cosinus cosine_sim à partir de tfidf_matrix. N'utilisez pas cosine_similarity()!
Utilisez get_recommendations() pour générer des recommandations pour 'The Dark Knight Rises'.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code