Motore di raccomandazione basato sulla trama

In questo esercizio costruiremo un motore di raccomandazione che suggerisce film in base alla somiglianza delle trame. Ti è stata fornita una funzione get_recommendations() che prende in input il titolo di un film, una matrice di similarità e una serie indices come argomenti e restituisce un elenco dei film più simili. indices è già stata fornita.

Ti è stata anche fornita una Series movie_plots che contiene le trame di diversi film. Il tuo compito è generare una matrice di similarità coseno per i vettori tf-idf di queste trame.

Infine, verificheremo l'efficacia del nostro motore generando raccomandazioni per uno dei miei film preferiti, The Dark Knight Rises.

Questo esercizio fa parte del corso

Feature Engineering per NLP in Python

Visualizza il corso

Istruzioni dell'esercizio

Inizializza un TfidfVectorizer con stop_words in inglese. Chiamalo tfidf.
Costruisci tfidf_matrix facendo fit e transform dei dati delle trame dei film usando fit_transform().
Genera la matrice di similarità coseno cosine_sim usando tfidf_matrix. Non usare cosine_similarity()!
Usa get_recommendations() per generare raccomandazioni per 'The Dark Knight Rises'.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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))

Modifica ed esegui il codice