Recommandations basées sur le profil utilisateur
Maintenant que vous avez construit le profil utilisateur à partir de l’ensemble des films qu’il a appréciés, vous pouvez le comparer au grand DataFrame tfidf_summary_df utilisé jusqu’ici pour générer des suggestions. Comme vous ne souhaitez pas recommander des films déjà vus, vous allez d’abord créer un sous-ensemble de tfidf_summary_df qui ne contient aucun des films précédemment regardés.
Le DataFrame user_prof que vous avez généré dans l’exercice précédent, et qui contient une seule colonne représentant l’utilisateur, a été chargé pour vous. De même, list_of_movies_enjoyed a été chargé afin que vous puissiez les exclure des prédictions.
Cet exercice fait partie du cours
Créer des moteurs de recommandation en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
from sklearn.metrics.pairwise import cosine_similarity
# Find subset of tfidf_df that does not include movies in list_of_movies_enjoyed
tfidf_subset_df = tfidf_df.____(list_of_movies_enjoyed, axis=____)