Stwórz własny system rekomendacji filmów za pomocą Pythona

Zastanawiasz się, w jaki sposób Netflix proponuje filmy, które tak bardzo pasują do Twoich zainteresowań? A może chcesz zbudować system, który może podsuwać takie sugestie swoim użytkownikom?

Jeśli Twoja odpowiedź brzmiała tak, to trafiłeś we właściwe miejsce, ponieważ ten artykuł nauczy Cię, jak zbudować system rekomendacji filmów przy użyciu Pythona.

Jednak zanim zaczniemy dyskutować „Jak” musimy zapoznać się z „Co”.

System rekomendacji: co to jest?

Systemy rekomendacji stały się integralną częścią naszego codziennego życia. Od sprzedawców internetowych, takich jak Amazon i Flipkart, po platformy mediów społecznościowych, takie jak YouTube i Facebook, każda duża firma cyfrowa korzysta z systemów rekomendacji, aby zapewnić swoim klientom spersonalizowane wrażenia użytkownika.

Oto kilka przykładów systemów rekomendacji w Twoim codziennym życiu:

• Sugestie, które otrzymujesz od Amazon przy zakupie produktów, są wynikiem systemu rekomendacji.
• YouTube korzysta z systemu rekomendacji, aby sugerować filmy dostosowane do Twojego gustu.
• Netflix ma słynny system rekomendacji do sugerowania programów i filmów zgodnie z Twoimi zainteresowaniami.

System rekomendacji sugeruje użytkownikom produkty na podstawie danych. Te dane mogą dotyczyć wprowadzonych zainteresowań, historii itp. Jeśli studiujesz uczenie maszynowe i sztuczną inteligencję, musisz przestudiować systemy rekomendujące, ponieważ stają się one coraz bardziej popularne i zaawansowane.

Rodzaje systemów rekomendacji

Istnieją dwa rodzaje systemów rekomendacji:

1. Systemy rekomendacji oparte na współpracy

Wspólny system rekomendacji sugeruje elementy według podobieństwa podobnych użytkowników dla tego elementu. Grupuje użytkowników o podobnych zainteresowaniach i gustach oraz odpowiednio sugeruje ich produkty.

Załóżmy na przykład, że ty i jeszcze jeden użytkownik lubiliście Sholay. Teraz, po obejrzeniu Sholay i polubieniu go, drugi użytkownik polubił Golmaala. Ponieważ Ty i inny użytkownik macie podobne zainteresowania, system rekomendacji sugerowałby oglądanie Golmaala na podstawie tych danych. To jest wspólne filtrowanie.

2. Systemy rekomendacji oparte na treści

System rekomendacji oparty na treści sugeruje elementy na podstawie danych otrzymanych od użytkownika. Może być oparty na danych jawnych („polubienia”, „udostępnienia” itp.) lub niejawnych (historia oglądania). System rekomendacji wykorzystałby te dane do stworzenia profilu specyficznego dla użytkownika i sugerował elementy oparte na tym profilu.

Budowanie podstawowego systemu rekomendacji filmów

Teraz, gdy omówiliśmy już podstawy systemów rekomendacji, zacznijmy budować system rekomendacji filmów.

Możemy zacząć budować system rekomendacji filmów oparty na Pythonie, korzystając z pełnego zestawu danych MovieLens . Ten zbiór danych zawiera ponad 26 milionów ocen, 750 000 aplikacji tagów, które są stosowane do ponad 45 000 filmów. Dane genomu znacznika obecne w tym zbiorze danych z ponad 12 milionami wyników trafności.

Używamy pełnego zestawu danych do stworzenia podstawowego systemu rekomendacji filmów. Możesz jednak użyć mniejszego zestawu danych w tym projekcie. Najpierw musimy zaimportować wszystkie wymagane biblioteki:

Podstawowy system rekomendacji filmów oparty na Pythonie sugerowałby filmy zgodnie z popularnością i gatunkiem filmu. Ten system działa w oparciu o założenie, że popularne filmy z aklamacją krytyczną będą miały duże prawdopodobieństwo, że spodobają się szerszej publiczności. Pamiętaj, że taki system rekomendacji filmów nie daje spersonalizowanych sugestii.

Aby to wdrożyć, posortujemy filmy według ich popularności i oceny, a następnie przekażemy argument gatunkowy, aby uzyskać najlepsze filmy w gatunku:

Wejście

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

md.głowa()

Wyjście

Wejście

md['genres'] = md['genres'].fillna('[]').apply(literal_eval).apply(lambda x: [i['name'] for i in x] if isinstance(x, lista ) w przeciwnym razie [])

Wzór na nasz wykres

Do stworzenia naszego zestawienia najlepszych filmów wykorzystaliśmy oceny TMDB. Do stworzenia naszego wykresu użyjemy formuły ważonej oceny IMDB, która wygląda następująco:

Ocena ważona (WR) = (iaouaouaouaouaou)

Tutaj v oznacza liczbę głosów, które otrzymał film, m to minimalna liczba głosów, jaką film powinien uzyskać na liście, R oznacza średnią ocenę filmu, a C to średni głos na cały raport .

Budowanie wykresów

Teraz, gdy mamy już zestaw danych i formułę, możemy rozpocząć tworzenie wykresu. Do naszych list przebojów dodamy tylko te filmy, które mają co najmniej 95% głosów. Zaczniemy od stworzenia wykresu top 250.

Wejście

liczba_głosów = md[md['liczba_głosów'].notnull()]['liczba_głosów'].astype('int')

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

C = głosowanie_średnie.średnia()

C

Wyjście

5,244896612406511

Wejście

m = liczba_głosów.kwantyl (0,95)

m

Wyjście

434,0

Wejście

md['rok'] = pd.to_datetime(md['data_wypuszczenia'], błędy='przymus').apply(lambda x: str(x).split('-')[0] jeśli x!= np. nan inny np. nan)

Wejście

kwalifikowana = md[(md['liczba_głosów'] >= m) & (md['liczba_głosów'].notnull()) & (md['średnia_głosów'].notnull())][['tytuł', 'rok ', 'vote_count', 'vote_average', 'popularity', 'gatres']]

kwalifikowana['liczba_głosów'] = kwalifikowana['liczba_głosów'].astype('int')

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

kwalifikowany.kształt

Wyjście

(2274, 6)

Jak widać, aby film znalazł się na naszej liście, musi mieć minimum 434 głosów. Być może zauważyłeś, że średnia ocena filmu, który musi znaleźć się na naszym wykresie, wynosi 5,24.

Wejście

def weighted_rating(x):

v = x['liczba_głosów']

R = x['średnia_głosu']

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

Wejście

kwalifikowany['wr'] = kwalifikowany.apply(weighted_rating, axis=1)

Wejście

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

Mając to wszystko na swoim miejscu, zbudujmy wykres:

Najlepsze filmy ogółem

Wejście

wykwalifikowana.głowa(15)

Wyjście

Voila, stworzyłeś podstawowy system rekomendacji filmów oparty na Pythonie!

Zawęzimy teraz nasze sugestie systemu rekomendacji do gatunku, aby mógł być bardziej precyzyjny. W końcu nie jest konieczne, aby wszyscy jednakowo lubili Ojca Chrzestnego.

Zawężenie gatunku

Dlatego teraz zmodyfikujemy nasz system rekomendacji, aby był bardziej dostosowany do gatunku:

Wejście

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

s.name = 'gatunek'

gen_md = md.drop('gatunki', oś=1).join(s)

Wejście

def build_chart(gatunek, percentyl=0,85):

df = gen_md[gen_md['gatunek'] == gatunek]

liczba_głosów = df[df['liczba_głosów'].notnull()]['liczba_głosów'].astype('int')

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

C = głosowanie_średnie.średnia()

m = liczba_głosów.kwantyl(percentyl)

kwalifikowana = df[(df['liczba_głosów'] >= m) & (df['liczba_głosów'].notnull()) & (df['średnia_głosów'].notnull())][['tytuł', 'rok ', 'vote_count', 'vote_average', 'popularity']]

kwalifikowana['liczba_głosów'] = kwalifikowana['liczba_głosów'].astype('int')

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

kwalifikowana['wr'] = kwalifikowana.apply(lambda x: (x['liczba_głosów']/(x['liczba_głosów']+m) * x['średnia_głosów']) + (m/(m+x[' liczba_głosów']) * C), oś=1)

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

zwrot kwalifikowany

Stworzyliśmy teraz system rekomendacji, który sortuje filmy z gatunku romansów i poleca najlepsze. Wybraliśmy gatunek romansów, ponieważ nie pojawiał się on zbyt często w naszym poprzednim zestawieniu.

Najlepsze filmy romantyczne

Wejście

build_chart('Romans').head(15)

Wyjście

Teraz masz system rekomendacji filmów, który sugeruje najlepsze filmy według wybranego gatunku. Zalecamy przetestowanie tego systemu rekomendacji również z innymi gatunkami, takimi jak akcja, dramat, suspens itp. Podziel się trzema najlepszymi filmami ze swojego ulubionego gatunku, który sugeruje system rekomendacji w sekcji komentarzy poniżej

Dowiedz się więcej o systemie rekomendacji filmów

Jak już zapewne zauważyłeś, budowanie systemu rekomendacji filmów opartego na Pythonie jest dość proste. Wystarczy odrobina wiedzy z zakresu data science i trochę wysiłku, aby stworzyć w pełni funkcjonalny system rekomendacji.

Co jednak, jeśli chcesz budować bardziej zaawansowane systemy rekomendujące? Co zrobić, jeśli chcesz stworzyć system rekomendacji, którego użycie może rozważyć duża firma?

Jeśli chcesz dowiedzieć się więcej o systemach rekomendujących i nauce o danych, zalecamy wzięcie udziału w kursie nauki o danych. Podczas kursu poznasz wszystkie podstawowe i zaawansowane koncepcje nauki o danych i uczenia maszynowego. Ponadto będziesz uczyć się od ekspertów branżowych, którzy poprowadzą Cię przez cały kurs, aby pomóc Ci uniknąć wątpliwości i nieporozumień.

W upGrad oferujemy wiele kursów z zakresu nauki o danych i uczenia maszynowego. Możesz wybrać dowolny z poniższych, w zależności od Twoich zainteresowań:

• Dyplom PG z nauki o danych
• Master of Science in Data Science
• Certyfikacja PG w dziedzinie nauki o danych
• Dyplom PG z uczenia maszynowego i sztucznej inteligencji
• Master of Science w Machine Learning i AI

Oprócz tych kursów oferujemy wiele innych kursów z zakresu data science i uczenia maszynowego. Koniecznie je sprawdź!

Końcowe przemyślenia

Wiesz już, jak zbudować system rekomendacji filmów. Po utworzeniu systemu, podziel się nim z innymi i pokaż im swoje postępy. Systemy rekomendowane mają różnorodny zakres zastosowań, więc poznanie ich z pewnością da Ci przewagę w branży.