Fazendo recomendações com TF-IDF
No último exercício, você pré-calculou as pontuações de similaridade entre todos os filmes do conjunto de dados com base em seus enredos transformados por TF-IDF. Agora, você vai colocar essas pontuações em um DataFrame para facilitar o uso. Em seguida, usará esse novo DataFrame para sugerir uma recomendação de filme.
O cosine_similarity_array, contendo a matriz com os valores de similaridade entre todos os filmes que você criou no exercício anterior, já foi carregado para você. O DataFrame tfidf_summary_df, com os filmes e seus recursos de TF-IDF, também está disponível.
Este exercício faz parte do curso
Construindo mecanismos de recomendação em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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(____)