Creare raccomandazioni con TF-IDF
Nell'ultimo esercizio hai pre-calcolato i punteggi di similarità tra tutti i film dell'insieme di dati in base alle loro trame trasformate con TF-IDF. Ora inserirai questi punteggi di similarità in un DataFrame per semplificarne l'uso. Poi userai questo nuovo DataFrame per suggerire un film come raccomandazione.
L'array cosine_similarity_array, che contiene la matrice dei valori di similarità tra tutti i film che hai creato nell'esercizio precedente, è già stato caricato per te. È disponibile anche il DataFrame tfidf_summary_df, che contiene i film e le loro caratteristiche TF-IDF.
Questo esercizio fa parte del corso
Creare motori di raccomandazione in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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(____)