Rekomendacje z użyciem TF-IDF
W poprzednim ćwiczeniu wstępnie obliczyliśmy oceny podobieństwa między wszystkimi filmami w zbiorze danych na podstawie ich opisów fabularnych przekształconych metodą TF-IDF. Teraz umieścisz te oceny w DataFrame, żeby łatwiej się nimi posługiwać. Następnie wykorzystasz ten nowy DataFrame do zaproponowania rekomendacji filmowej.
Tablica cosine_similarity_array zawierająca macierz wartości podobieństwa między wszystkimi filmami – którą utworzyliśmy w poprzednim ćwiczeniu – jest już wczytana. Dostępny jest również DataFrame tfidf_summary_df zawierający filmy i ich cechy TF-IDF.
To ćwiczenie jest częścią kursu
Budowanie systemów rekomendacji w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____)