การแนะนำด้วย TF-IDF
ในแบบฝึกหัดที่ผ่านมา คุณได้คำนวณค่าความคล้ายคลึงระหว่างภาพยนตร์ทุกเรื่องในชุดข้อมูลล่วงหน้า โดยอิงจากเนื้อเรื่องที่แปลงด้วย TF-IDF แล้ว ขั้นตอนต่อไปคือนำค่าความคล้ายคลึงเหล่านี้มาจัดเก็บใน DataFrame เพื่อให้ใช้งานได้สะดวก จากนั้นจะใช้ DataFrame นี้แนะนำภาพยนตร์
cosine_similarity_array ซึ่งเป็นเมทริกซ์ค่าความคล้ายคลึงระหว่างภาพยนตร์ทุกเรื่องที่สร้างไว้ในแบบฝึกหัดก่อนหน้าได้ถูกโหลดให้แล้ว รวมถึง DataFrame ชื่อ tfidf_summary_df ที่บรรจุข้อมูลภาพยนตร์และฟีเจอร์ TF-IDF ก็พร้อมใช้งานเช่นกัน
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การสร้าง Recommendation Engine ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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(____)