Erstellen Sie Ihr eigenes Filmempfehlungssystem mit Python

Fragen Sie sich, wie Netflix Filme vorschlägt, die so sehr zu Ihren Interessen passen? Oder möchten Sie vielleicht ein System bauen, das seinen Benutzern auch solche Vorschläge machen kann?

Wenn Ihre Antwort ja war, dann sind Sie hier genau richtig, denn in diesem Artikel erfahren Sie, wie Sie mit Python ein Filmempfehlungssystem erstellen.

Bevor wir jedoch beginnen, das „Wie“ zu diskutieren, müssen wir mit dem „Was“ vertraut sein.

Empfehlungssystem: Was ist das?

Empfehlungssysteme sind aus unserem Alltag nicht mehr wegzudenken. Von Online-Händlern wie Amazon und Flipkart bis hin zu Social-Media-Plattformen wie YouTube und Facebook nutzt jedes große digitale Unternehmen Empfehlungssysteme, um seinen Kunden ein personalisiertes Benutzererlebnis zu bieten.

Einige Beispiele für Empfehlungssysteme in Ihrem Alltag sind:

• Die Vorschläge, die Sie beim Kauf von Produkten von Amazon erhalten, sind das Ergebnis eines Empfehlungssystems.
• YouTube verwendet ein Empfehlungssystem, um Videos vorzuschlagen, die Ihrem Geschmack entsprechen.
• Netflix hat ein berühmtes Empfehlungssystem, um Shows und Filme entsprechend Ihren Interessen vorzuschlagen.

Ein Empfehlungssystem schlägt Benutzern Produkte anhand von Daten vor. Bei diesen Daten kann es sich um die eingegebenen Interessen, den Verlauf usw. des Benutzers handeln. Wenn Sie sich mit maschinellem Lernen und KI befassen, müssen Sie Empfehlungssysteme studieren, da sie immer beliebter und fortschrittlicher werden.

Arten von Empfehlungssystemen

Es gibt zwei Arten von Empfehlungssystemen:

1. Kollaborative Empfehlungssysteme

Ein kollaboratives Empfehlungssystem schlägt Artikel entsprechend der Ähnlichkeit ähnlicher Benutzer für diesen Artikel vor. Es gruppiert Benutzer mit ähnlichen Interessen und Vorlieben und schlägt ihre Produkte entsprechend vor.

Angenommen, Sie und ein anderer Benutzer mochten Sholay. Jetzt, nachdem er Sholay gesehen und gemocht hatte, mochte der andere Benutzer Golmaal. Da Sie und der andere Benutzer ähnliche Interessen haben, würde das Empfehlungssystem Ihnen basierend auf diesen Daten vorschlagen, Golmaal anzusehen. Dies ist kollaboratives Filtern.

2. Inhaltsbasierte Empfehlungssysteme

Ein inhaltsbasiertes Empfehlungssystem schlägt Artikel basierend auf den Daten vor, die es von einem Benutzer erhält. Es könnte auf expliziten Daten ('Likes', 'Shares' usw.) oder impliziten Daten (Watch History) basieren. Das Empfehlungssystem würde diese Daten verwenden, um ein benutzerspezifisches Profil zu erstellen, und würde Artikel basierend auf diesem Profil vorschlagen.

Aufbau eines grundlegenden Filmempfehlungssystems

Nachdem wir nun die Grundlagen von Empfehlungssystemen behandelt haben, beginnen wir mit dem Aufbau eines Filmempfehlungssystems.

Wir können mit dem Aufbau eines Filmempfehlungssystems auf Python-Basis beginnen, indem wir den vollständigen MovieLens - Datensatz verwenden. Dieser Datensatz enthält mehr als 26 Millionen Bewertungen, 750.000 Tag-Anwendungen, die auf über 45.000 Filme angewendet werden. Die in diesem Datensatz enthaltenen Tag-Genomdaten mit mehr als 12 Millionen Relevanzwerten.

Wir verwenden den vollständigen Datensatz, um ein grundlegendes Filmempfehlungssystem zu erstellen. Es steht Ihnen jedoch frei, für dieses Projekt ein kleineres Dataset zu verwenden. Zuerst müssen wir alle erforderlichen Bibliotheken importieren:

Ein grundlegendes Filmempfehlungssystem auf Python-Basis würde Filme nach Popularität und Genre des Films vorschlagen. Dieses System basiert auf der Vorstellung, dass populäre Filme mit kritischem Beifall eine hohe Wahrscheinlichkeit haben, vom allgemeinen Publikum gemocht zu werden. Denken Sie daran, dass ein solches Filmempfehlungssystem keine personalisierten Vorschläge macht.

Um es zu implementieren, sortieren wir die Filme nach ihrer Popularität und Bewertung und übergeben ein Genre-Argument, um die Top-Filme eines Genres zu erhalten:

Eingang

md = pd. read_csv('../input/movies_metadata.csv')

md.head()

Ausgabe

Eingang

md['genres'] = md['genres'].fillna('[]').apply(literal_eval).apply(lambda x: [i['name'] for i in x] if isinstance(x, list ) anders [])

Die Formel für unser Diagramm

Für die Erstellung unserer Tabelle der Top-Filme haben wir die TMDB-Bewertungen verwendet. Wir werden die gewichtete Bewertungsformel von IMDB verwenden, um unser Diagramm zu erstellen, das wie folgt aussieht:

Gewichtete Bewertung (WR) = (iaouaouaouaouaou)

Hier steht v für die Anzahl der Stimmen, die ein Film erhalten hat, m ist die Mindestanzahl an Stimmen, die ein Film in der Tabelle haben sollte, R steht für die durchschnittliche Bewertung des Films und C ist die durchschnittliche Bewertung für den gesamten Bericht .

Erstellen der Diagramme

Nachdem wir nun den Datensatz und die Formel erstellt haben, können wir mit dem Erstellen des Diagramms beginnen. Wir nehmen nur die Filme in unsere Charts auf, die mindestens 95 % Stimmen haben. Wir beginnen mit der Erstellung eines Top-250-Diagramms.

Eingang

vote_counts = md[md['vote_count'].notnull()]['vote_count'].astype('int')

vote_averages = md[md['vote_average'].notnull()]['vote_average'].astype('int')

C = vote_averages.mean()

C

Ausgabe

5.244896612406511

Eingang

m = vote_counts.quantile(0.95)

m

Ausgabe

434,0

Eingang

md['year'] = pd.to_datetime(md['release_date'], errors='coerce').apply(lambda x: str(x).split('-')[0] if x != np. nan sonst np.nan)

Eingang

qualifiziert = md[(md['vote_count'] >= m) & (md['vote_count'].notnull()) & (md['vote_average'].notnull())][['title', 'year ', 'vote_count', 'vote_average', 'popularity', 'genres']]

qualifiziert['vote_count'] = qualifiziert['vote_count'].astype('int')

Qualified['vote_average'] = Qualified['vote_average'].astype('int')

qualifizierte.Form

Ausgabe

(2274, 6)

Wie Sie sehen können, muss ein Film mindestens 434 Stimmen haben, um einen Platz in unseren Charts zu bekommen. Sie haben vielleicht bemerkt, dass die durchschnittliche Bewertung, die ein Film haben muss, um in unsere Tabelle aufgenommen zu werden, 5,24 beträgt.

Eingang

def gewichtete_Bewertung(x):

v = x['vote_count']

R = x['vote_average']

Rückgabe (v/(v+m) * R) + (m/(m+v) * C)

Eingang

Qualified['wr'] = Qualified.Apply(weighted_rating, axis=1)

Eingang

Qualified = Qualified.sort_values('wr', ascending=False).head(250)

Wenn all dies vorhanden ist, erstellen wir das Diagramm:

Top-Filme insgesamt

Eingang

qualifiziert.head(15)

Ausgabe

Voila, Sie haben ein grundlegendes Filmempfehlungssystem auf Python-Basis erstellt!

Wir werden die Vorschläge unseres Empfehlungssystems jetzt auf Genre-basiert eingrenzen, damit es präziser ist. Schließlich muss The Godfather nicht jedem gleich gut gefallen.

Eingrenzung des Genres

Also modifizieren wir jetzt unser Empfehlungssystem, um genrespezifischer zu sein:

Eingang

s = md.apply(lambda x: pd.Series(x['genres']),axis=1).stack().reset_index(level=1, drop=True)

s.name = 'genre'

gen_md = md.drop('genres', axis=1).join(s)

Eingang

def build_chart(Genre, Perzentil=0,85):

df = gen_md[gen_md['genre'] == Genre]

vote_counts = df[df['vote_count'].notnull()]['vote_count'].astype('int')

vote_averages = df[df['vote_average'].notnull()]['vote_average'].astype('int')

C = vote_averages.mean()

m = vote_counts.quantile(Perzentil)

qualifiziert = df[(df['vote_count'] >= m) & (df['vote_count'].notnull()) & (df['vote_average'].notnull())][['title', 'year ', 'vote_count', 'vote_average', 'popularity']]

qualifiziert['vote_count'] = qualifiziert['vote_count'].astype('int')

Qualified['vote_average'] = Qualified['vote_average'].astype('int')

Qualified['wr'] = Qualified.apply(lambda x: (x['vote_count']/(x['vote_count']+m) * x['vote_average']) + (m/(m+x[' vote_count']) * C), Achse=1)

Qualified = Qualified.sort_values('wr', ascending=False).head(250)

Rückkehr qualifiziert

Wir haben jetzt ein Empfehlungssystem erstellt, das Filme im Romantik-Genre sortiert und die besten empfiehlt. Wir haben uns für das Romantik-Genre entschieden, weil es in unserer vorherigen Tabelle nicht oft auftauchte.

Top Filme in Romantik

Eingang

build_chart('Romanze').head(15)

Ausgabe

Jetzt haben Sie ein Filmempfehlungssystem, das Top-Filme nach einem ausgewählten Genre vorschlägt. Wir empfehlen, dieses Empfehlungssystem auch mit anderen Genres wie Action, Drama, Suspense usw. zu testen. Teilen Sie die drei besten Filme in Ihrem Lieblingsgenre, das das Empfehlungssystem im Kommentarbereich unten vorschlägt

Erfahren Sie mehr über ein Filmempfehlungssystem

Wie Sie bestimmt schon bemerkt haben, ist der Aufbau eines auf Python basierenden Filmempfehlungssystems ziemlich einfach. Alles, was Sie brauchen, ist ein wenig Wissen über Data Science und ein wenig Aufwand, um ein voll funktionsfähiges Empfehlungssystem zu erstellen.

Was aber, wenn Sie fortschrittlichere Empfehlungssysteme erstellen möchten? Was ist, wenn Sie ein Empfehlungssystem erstellen möchten, das ein großes Unternehmen verwenden könnte?

Wenn Sie mehr über Empfehlungssysteme und Data Science erfahren möchten, empfehlen wir Ihnen, einen Data Science-Kurs zu belegen. Mit einem Kurs lernen Sie alle grundlegenden und fortgeschrittenen Konzepte der Datenwissenschaft und des maschinellen Lernens kennen. Darüber hinaus lernen Sie von Branchenexperten, die Sie durch den gesamten Kurs führen, um Ihnen dabei zu helfen, Zweifel und Verwirrung zu vermeiden.

Bei upGrad bieten wir mehrere Data Science- und Machine Learning-Kurse an. Sie können je nach Ihren Interessen jemanden aus den folgenden auswählen:

• PG Diplom in Data Science
• Master of Science in Datenwissenschaft
• PG-Zertifizierung in Data Science
• PG-Diplom in maschinellem Lernen und KI
• Master of Science in Maschinellem Lernen und KI

Neben diesen Kursen bieten wir viele weitere Kurse in Data Science und Machine Learning an. Schauen Sie sie sich unbedingt an!

Abschließende Gedanken

Jetzt wissen Sie, wie Sie ein Filmempfehlungssystem aufbauen. Nachdem Sie das System erstellt haben, stellen Sie sicher, dass Sie es mit anderen teilen und ihnen Ihren Fortschritt zeigen. Recommender-Systeme haben ein vielfältiges Anwendungsspektrum, sodass Sie sich in der Branche sicher durchsetzen können, wenn Sie sich mit ihnen vertraut machen.