Python を使用して映画推薦システムを構築した方法-jsチュートリアル-php.cn

Python を使用して映画推薦システムを構築した方法

Linda Hamilton

リリース： 2024-11-16 15:10:03

オリジナル

936 人が閲覧しました

How I Built a Movie Recommendation System Using Python

はじめに
Netflix がどのようにしてユーザーが見たいものを認識しているか疑問に思ったことはありませんか?レコメンデーションシステムは映画業界にとって不可欠な要素となっており、ユーザーが自分の好みに基づいて気に入る映画を見つけるのに役立ちます。この投稿では、公開されているデータセットとライブラリを活用して、Python を使用してシンプルな映画推薦システムを構築する方法を説明します。初心者でも経験豊富な開発者でも、このガイドはデータと推奨事項の世界に楽しく飛び込むことができます。

ステップ 1: データを収集する
レコメンデーションシステムを構築するには、まずデータが必要です。映画の場合、利用可能な最良のデータセットの 1 つは MovieLens データセットです。映画のタイトル、ジャンル、ユーザー評価などの情報が含まれます。

データセットをダウンロードする: MovieLens Web サイトにアクセスして、データセットをダウンロードします。
データを Python にロードします: Pandas などのライブラリを使用してデータセットを読み取ります。
パイソン
サリンコーデ
パンダを pd としてインポート

映画と評価のデータセットをロードする

映画 = pd.read_csv('movies.csv')
評価 = pd.read_csv('評価.csv')

print(movies.head())
print(評価.head())
ステップ 2: 推奨アプローチの選択
レコメンデーションシステムには 2 つの一般的なタイプがあります:

コンテンツベースのフィルタリング: ユーザーが以前に気に入った映画に似た映画を推奨します。
協調フィルタリング: 類似したユーザーが気に入ったものに基づいて映画を推奨します。
このチュートリアルでは、コンテンツベースのフィルタリングを使用してみましょう。

ステップ 3: モデルの構築
sklearn ライブラリの TF-IDF Vectorizer を使用して、映画のジャンルと説明を分析します。

Python
サリンコーデ
sklearn.feature_extraction.text からインポート TfidfVectorizer
sklearn.metrics.pairwise import cosine_similarity

から

ジャンルをベクトル化する

tfidf = TfidfVectorizer(stop_words='english')
映画['ジャンル'] = 映画['ジャンル'].fillna('') # NaN 値を埋める
tfidf_matrix = tfidf.fit_transform(映画['ジャンル'])

類似性行列を計算する

cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

print(cosine_sim.shape)
ステップ 4: レコメンデーション関数の構築
次に、選択したタイトルに基づいて映画を推奨する機能を作成しましょう。

Python
サリンコーデ
def recommend_movies(タイトル, cosine_sim=cosine_sim):
indices = pd.Series(movies.index,index=movies['title']).drop_duplicates()
idx = インデックス[タイトル]

# 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>

ログイン後にコピー

例

print(recommend_movies('トイ・ストーリー (1995)'))
ステップ 5: モデルのテスト
関数の準備ができたら、さまざまな映画タイトルでテストして、推奨事項が期待どおりかどうかを確認します。

ステップ 6: 導入 (オプション)
さらに進めたい場合は、Flask や Django などのフレームワークを使用して、このモデルを単純な Web アプリケーションとしてデプロイします。 Flask のスニペットは次のとおりです:

Python
サリンコーデ
from flask import Flask、リクエスト、jsonify

app = Flask(名前)

@app.route('/recommend',messages=['GET'])
def recommend():
title = request.args.get('title')
おすすめ = recommend_movies(タイトル)
return jsonify(recommendations.tolist())

if 名前 == 'メイン':
app.run(debug=True)
結論
おめでとう！ Python を使用して基本的な映画推奨システムを構築しました。これは単純な実装ですが、深層学習またはハイブリッドモデルを使用したより複雑なシステムの可能性が開かれます。 ?今すぐチェックしてください！ https://shorturl.at/dwHQI
?ここで視聴してください https://shorturl.at/zvAqO

この投稿を気に入っていただけましたら、お気軽にコメントを残すか、システムを改善するためのアイデアを共有してください。コーディングを楽しんでください!

タグ