Silnik rekomendacji na podstawie fabuły

W tym ćwiczeniu zbudujesz silnik rekomendacji, który sugeruje filmy na podstawie podobieństwa fabuły. Otrzymujesz funkcję get_recommendations(), która przyjmuje tytuł filmu, macierz podobieństwa oraz serię indices jako argumenty i zwraca listę najbardziej podobnych filmów. Seria indices jest już dostępna.

Otrzymujesz również serię movie_plots zawierającą opisy fabuły kilku filmów. Twoim zadaniem jest wygenerowanie macierzy podobieństwa cosinusowego dla wektorów tf-idf tych opisów.

Na koniec sprawdzimy skuteczność naszego silnika, generując rekomendacje dla jednego z moich ulubionych filmów – Mroczny Rycerz Powstaje.

To ćwiczenie jest częścią kursu

Inżynieria cech dla NLP w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zainicjalizuj TfidfVectorizer z angielskimi stop_words. Nadaj mu nazwę tfidf.
Utwórz tfidf_matrix, dopasowując i transformując dane z opisami fabuły filmów za pomocą fit_transform().
Wygeneruj macierz podobieństwa cosinusowego cosine_sim na podstawie tfidf_matrix. Nie używaj cosine_similarity()!
Użyj get_recommendations(), aby wygenerować rekomendacje dla 'The Dark Knight Rises'.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod