Рекомендаційний рушій за сюжетом

У цій вправі ми побудуємо рекомендаційний рушій, який пропонує фільми на основі схожості сюжетних ліній. Вам надано функцію get_recommendations(), що приймає назву фільму, матрицю схожості та indices (Series) як аргументи й повертає список найподібніших фільмів. Серію indices уже підготовлено для вас.

Також вам надано Series movie_plots, що містить описи сюжетів кількох фільмів. Ваше завдання — згенерувати матрицю косинусної схожості для tf-idf-векторів цих описів.

Потім перевіримо ефективність нашого рушія, згенерувавши рекомендації для одного з моїх улюблених фільмів — The Dark Knight Rises.

Ця вправа є частиною курсу

Інженерія ознак для NLP у Python

Переглянути курс

Інструкції до вправи

Ініціалізуйте TfidfVectorizer з англійськими stop_words. Назвіть його tfidf.
Побудуйте tfidf_matrix, навчивши та перетворивши дані про сюжети фільмів за допомогою fit_transform().
Згенеруйте матрицю косинусної схожості cosine_sim, використовуючи tfidf_matrix. Не використовуйте cosine_similarity()!
Скористайтеся get_recommendations(), щоб отримати рекомендації для 'The Dark Knight Rises'.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код