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
<cours>Créer des moteurs de recommandation en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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=____)