Rekommendationsmotor baserad på handling

I den här övningen bygger vi en rekommendationsmotor som föreslår filmer baserat på likheter i handling. Du har fått en funktion get_recommendations() som tar emot en filmtitel, en likhetsmatris och en indices-serie som argument, och returnerar en lista med de mest liknande filmerna. indices är redan tillhandahållen.

Du har även fått en serie movie_plots som innehåller handlingsbeskrivningar för ett antal filmer. Din uppgift är att generera en cosinus-likhetsmatris för tf-idf-vektorerna av dessa handlingar.

Därefter testar vi motorns styrka genom att generera rekommendationer för en av mina favoritfilmer: The Dark Knight Rises.

Den här övningen är en del av kursen

Funktionsutveckling för NLP i Python

Visa kurs

Övningsinstruktioner

Initiera en TfidfVectorizer med engelska stop_words. Namnge den tfidf.
Konstruera tfidf_matrix genom att anpassa och transformera filmhandlingsdata med fit_transform().
Generera cosinus-likhetsmatrisen cosine_sim med hjälp av tfidf_matrix. Använd inte cosine_similarity()!
Använd get_recommendations() för att generera rekommendationer för 'The Dark Knight Rises'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))

Redigera och kör kod