A função de recomendação
Neste exercício, vamos construir a função de recomendação get_recommendations(), como discutido na aula e no exercício anterior. Como sabemos, ela recebe um título, uma matriz de similaridade cosseno e um mapeamento de título para índice como argumentos, e retorna uma lista com 10 títulos mais semelhantes ao título original (excluindo o próprio título).
Você recebeu um conjunto de dados metadata que contém os títulos e as sinopses dos filmes. O cabeçalho desse conjunto foi impresso no console.
Este exercício faz parte do curso
Feature Engineering para NLP em Python
Instruções do exercício
- Obtenha o índice do filme que corresponde ao título usando a chave
titledeindices. - Extraia os dez filmes mais semelhantes de
sim_scorese armazene o resultado novamente emsim_scores.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Generate mapping between titles and index
indices = pd.Series(metadata.index, index=metadata['title']).drop_duplicates()
def get_recommendations(title, cosine_sim, indices):
# Get index of movie that matches title
idx = ____[____]
# Sort the movies based on the similarity scores
sim_scores = list(enumerate(cosine_sim[idx]))
sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
# Get the scores for 10 most similar movies
sim_scores = sim_scores[____]
# Get the movie indices
movie_indices = [i[0] for i in sim_scores]
# Return the top 10 most similar movies
return metadata['title'].iloc[movie_indices]