Порівняння всіх ваших фільмів за допомогою TF-IDF

Тепер, коли ви виконали важку роботу й отримали дані TF-IDF у зручному форматі, час використати їх, щоб знаходити схожість і формувати рекомендації.

Цього разу, оскільки ви використовуєте оцінки TF-IDF (це числа з плаваючою крапкою, а не булеві значення), ви застосуєте метрику косинусної подібності, щоб знайти схожість між елементами. У цій вправі ви згенеруєте матрицю косинусних подібностей для всіх фільмів і збережете її в датафреймі для зручного пошуку. Це дозволить швидко й просто порівнювати фільми та знаходити рекомендації.

Датафрейм tfidf_df, який ви створили у попередній вправі й який містить по одному рядку на кожен фільм, уже завантажено для вас.

Ця вправа є частиною курсу

Створення систем рекомендацій у Python

Переглянути курс

Інструкції до вправи

Знайдіть косинусні міри подібності між усіма фільмами та присвойте результат змінній cosine_similarity_array.
Створіть датафрейм із cosine_similarity_array, використавши tfidf_summary_df.index як індекс рядків і стовпців.
Виведіть перші п'ять рядків датафрейму та перегляньте значення подібності.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import cosine_similarity measure
from sklearn.metrics.pairwise import ____

# Create the array of cosine similarity values
cosine_similarity_array = ____(tfidf_summary_df)

# Wrap the array in a pandas DataFrame
cosine_similarity_df = pd.____(cosine_similarity_array, ____=____.____, ____=____.____)

# Print the top 5 rows of the DataFrame
print(cosine_similarity_df.head())

Редагувати та запускати код