Fungsi rekomendasi

Dalam latihan ini, kita akan membangun fungsi rekomendasi get_recommendations(), seperti dibahas dalam pelajaran dan latihan sebelumnya. Seperti yang kita ketahui, fungsi ini menerima sebuah judul, matriks kemiripan kosinus, serta pemetaan judul dan indeks film sebagai argumen, lalu menghasilkan daftar 10 judul yang paling mirip dengan judul awal (tidak termasuk judul itu sendiri).

Anda telah diberikan himpunan data metadata yang berisi judul dan ringkasan film. Lima baris teratas himpunan data ini telah dicetak ke konsol.

Latihan ini adalah bagian dari kursus

Rekayasa Fitur untuk NLP di Python

Lihat Kursus

Petunjuk latihan

Dapatkan indeks film yang cocok dengan judul menggunakan kunci title dari indices.
Ambil sepuluh film yang paling mirip dari sim_scores dan simpan kembali ke sim_scores.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Generate mapping between titles and index
indices = pd.Series(metadata.index, index=metadata['title']).drop_duplicates()

def get_recommendations(title, cosine_sim, indices):
    # Get index of movie that matches title
    idx = ____[____]
    # Sort the movies based on the similarity scores
    sim_scores = list(enumerate(cosine_sim[idx]))
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
    # Get the scores for 10 most similar movies
    sim_scores = sim_scores[____]
    # Get the movie indices
    movie_indices = [i[0] for i in sim_scores]
    # Return the top 10 most similar movies
    return metadata['title'].iloc[movie_indices]

Edit dan Jalankan Kode