Heim >Web-Frontend >js-Tutorial >Wie ich mit Python ein Filmempfehlungssystem erstellt habe

Wie ich mit Python ein Filmempfehlungssystem erstellt habe

Linda Hamilton
Linda HamiltonOriginal
2024-11-16 15:10:03937Durchsuche

How I Built a Movie Recommendation System Using Python

Einführung
Haben Sie sich jemals gefragt, woher Netflix genau weiß, was Sie sehen möchten? Empfehlungssysteme sind zu einem wesentlichen Bestandteil der Filmindustrie geworden und helfen Benutzern dabei, Filme zu entdecken, die ihnen gefallen werden, basierend auf ihren Vorlieben. In diesem Beitrag erkläre ich Ihnen, wie ich mit Python ein einfaches Filmempfehlungssystem erstellt habe und dabei öffentlich verfügbare Datensätze und Bibliotheken genutzt habe. Egal, ob Sie Anfänger oder erfahrener Entwickler sind, dieser Leitfaden wird Ihnen einen unterhaltsamen Einstieg in die Welt der Daten und Empfehlungen ermöglichen.

Schritt 1: Sammeln der Daten
Um ein Empfehlungssystem aufzubauen, benötigen wir zunächst Daten. Für Filme ist der MovieLens-Datensatz einer der besten verfügbaren Datensätze. Es enthält Informationen wie Filmtitel, Genres und Benutzerbewertungen.

Datensatz herunterladen: Besuchen Sie die MovieLens-Website und laden Sie den Datensatz herunter.
Laden Sie die Daten in Python: Verwenden Sie Bibliotheken wie Pandas, um den Datensatz zu lesen.
Python
Salin-Code
Pandas als PD importieren

Laden Sie den Film- und Bewertungsdatensatz

movies = pd.read_csv('movies.csv')
Ratings = pd.read_csv('ratings.csv')

print(movies.head())
print(ratings.head())
Schritt 2: Auswahl des Empfehlungsansatzes
Es gibt zwei beliebte Arten von Empfehlungssystemen:

Inhaltsbasierte Filterung: Empfiehlt Filme, die denen ähneln, die dem Benutzer zuvor gefallen haben.
Kollaboratives Filtern: Empfiehlt Filme basierend auf dem, was ähnlichen Benutzern gefallen hat.
Für dieses Tutorial verwenden wir die inhaltsbasierte Filterung.

Schritt 3: Erstellen des Modells
Wir verwenden den TF-IDF Vectorizer aus der sklearn-Bibliothek, um die Filmgenres und Beschreibungen zu analysieren.

Python
Salin-Code
aus sklearn.feature_extraction.text TfidfVectorizer importieren
aus sklearn.metrics.pairwise import cosine_similarity

Vektorisieren Sie die Genres

tfidf = TfidfVectorizer(stop_words='english')
movies['genres'] = movies['genres'].fillna('') # NaN-Werte füllen
tfidf_matrix = tfidf.fit_transform(movies['genres'])

Berechnen Sie die Ähnlichkeitsmatrix

cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

print(cosine_sim.shape)
Schritt 4: Erstellen einer Empfehlungsfunktion
Erstellen wir nun eine Funktion, um Filme basierend auf einem ausgewählten Titel zu empfehlen.

Python
Salin-Code
def Recommend_movies(title, cosine_sim=cosine_sim):
indices = pd.Series(movies.index, index=movies['title']).drop_duplicates()
idx = indices[title]

# Get pairwise similarity scores<br>
sim_scores = list(enumerate(cosine_sim[idx]))<br>
sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
<h2>
  
  
  Get top 10 recommendations
</h2>

<p>sim_scores = sim_scores[1:11]<br>
movie_indices = [i[0] for i in sim_scores]</p>

<p>return movies['title'].iloc[movie_indices]<br>
</p>




Beispiel

drucken(recommend_movies('Toy Story (1995)'))
Schritt 5: Testen des Modells
Sobald die Funktion bereit ist, testen Sie sie mit verschiedenen Filmtiteln, um zu sehen, ob die Empfehlungen Ihren Erwartungen entsprechen.

Schritt 6: Bereitstellung (optional)
Wenn Sie noch weiter gehen möchten, stellen Sie dieses Modell als einfache Webanwendung mithilfe von Frameworks wie Flask oder Django bereit. Hier ist ein Ausschnitt für Flask:

Python
Salin-Code
from flask import Flask, request, jsonify

app = Flask(name)

@app.route('/recommend', method=['GET'])
auf jeden Fall empfehlen():
title = request.args.get('title')
Empfehlungen = empfehlen_Filme(Titel)
Geben Sie jsonify(recommendations.tolist())

zurück

if name == 'main':
app.run(debug=True)
Fazit
Glückwunsch! Sie haben gerade mit Python ein einfaches Filmempfehlungssystem erstellt. Obwohl dies eine einfache Implementierung ist, eröffnet sie Möglichkeiten für komplexere Systeme, die Deep Learning oder Hybridmodelle verwenden. ? Probieren Sie es jetzt aus! https://shorturl.at/dwHQI
? Schau es dir hier an: https://shorturl.at/zvAqO

Wenn Ihnen dieser Beitrag gefallen hat, hinterlassen Sie gerne einen Kommentar oder teilen Sie Ihre Ideen zur Verbesserung des Systems mit. Viel Spaß beim Codieren!

Tags

Filme #python #recommendationsystem #machinelearning #api

Lassen Sie mich wissen, wenn Sie dies weiter anpassen oder bestimmte Abschnitte hinzufügen möchten!? Probieren Sie es jetzt aus! https://shorturl.at/dwHQI
? Schau es dir hier an: https://shorturl.at/zvAqO

Das obige ist der detaillierte Inhalt vonWie ich mit Python ein Filmempfehlungssystem erstellt habe. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme:
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn