สร้างระบบแนะนำภาพยนตร์ของคุณเองโดยใช้ Python

คุณสงสัยหรือไม่ว่า Netflix แนะนำภาพยนตร์ที่ตรงกับความสนใจของคุณมากขนาดไหน? หรือบางทีคุณอาจต้องการสร้างระบบที่สามารถให้คำแนะนำแก่ผู้ใช้ได้เช่นกัน?

หากคำตอบของคุณคือใช่ แสดงว่าคุณมาถูกที่แล้ว เพราะบทความนี้จะสอนวิธีสร้างระบบแนะนำภาพยนตร์โดยใช้ Python

อย่างไรก็ตาม ก่อนที่เราจะพูดถึง 'How' เราต้องคุ้นเคยกับ 'What' เสียก่อน

ระบบคำแนะนำ: มันคืออะไร?

ระบบการแนะนำได้กลายเป็นส่วนสำคัญในชีวิตประจำวันของเรา ตั้งแต่ผู้ค้าปลีกออนไลน์อย่าง Amazon และ Flipkart ไปจนถึงแพลตฟอร์มโซเชียลมีเดีย เช่น YouTube และ Facebook บริษัทดิจิทัลรายใหญ่ทุกแห่งใช้ระบบคำแนะนำเพื่อมอบประสบการณ์ผู้ใช้ที่เป็นส่วนตัวให้กับลูกค้า

ตัวอย่างระบบการแนะนำในชีวิตประจำวันของคุณ ได้แก่:

• คำแนะนำที่คุณได้รับจาก Amazon เมื่อคุณซื้อผลิตภัณฑ์เป็นผลมาจากระบบผู้แนะนำ
• YouTube ใช้ระบบแนะนำเพื่อแนะนำวิดีโอที่เหมาะกับรสนิยมของคุณ
• Netflix มีระบบแนะนำที่มีชื่อเสียงสำหรับการแนะนำรายการและภาพยนตร์ตามความสนใจของคุณ

ระบบผู้แนะนำแนะนำผลิตภัณฑ์ของผู้ใช้โดยใช้ข้อมูล ข้อมูลนี้อาจเกี่ยวกับความสนใจของผู้ใช้ ประวัติ และอื่นๆ หากคุณกำลังศึกษาแมชชีนเลิร์นนิงและ AI จำเป็นต้องศึกษาระบบผู้แนะนำ เนื่องจากระบบเหล่านี้กำลังเป็นที่นิยมและก้าวหน้ามากขึ้น

ประเภทของระบบคำแนะนำ

ระบบการแนะนำมีสองประเภท:

1. ระบบแนะนำการทำงานร่วมกัน

ระบบแนะนำการทำงานร่วมกันจะแนะนำรายการต่างๆ ตามความคล้ายคลึงของผู้ใช้ที่คล้ายคลึงกันสำหรับรายการนั้น โดยจะจัดกลุ่มผู้ใช้ที่มีความสนใจและรสนิยมคล้ายคลึงกัน และแนะนำผลิตภัณฑ์ของตนตามนั้น

ตัวอย่างเช่น สมมติว่าคุณและผู้ใช้รายอื่นชอบ Sholay ตอนนี้หลังจากดู Sholay และชอบมันแล้ว ผู้ใช้รายอื่นก็ชอบ Golmaal เนื่องจากคุณและผู้ใช้รายอื่นมีความสนใจคล้ายกัน ระบบผู้แนะนำจึงแนะนำให้คุณดู Golmaal ตามข้อมูลนี้ นี่คือการกรองการทำงานร่วมกัน

2. ระบบคำแนะนำตามเนื้อหา

ระบบผู้แนะนำตามเนื้อหาแนะนำรายการตามข้อมูลที่ได้รับจากผู้ใช้ อาจอิงจากข้อมูลที่ชัดเจน ('ชอบ', 'แชร์' ฯลฯ) หรือข้อมูลโดยนัย (ประวัติการดู) ระบบการแนะนำจะใช้ข้อมูลนี้เพื่อสร้างโปรไฟล์เฉพาะผู้ใช้และจะแนะนำรายการตามโปรไฟล์นั้น

การสร้างระบบแนะนำภาพยนตร์ขั้นพื้นฐาน

ตอนนี้เราได้ครอบคลุมพื้นฐานของระบบแนะนำแล้ว มาเริ่มสร้างระบบแนะนำภาพยนตร์กัน

เราสามารถเริ่มสร้างระบบแนะนำภาพยนตร์ที่ใช้ Python ได้โดยใช้ ชุดข้อมูล MovieLens แบบเต็ม ชุดข้อมูลนี้มีการจัดประเภทมากกว่า 26 ล้านรายการ แอปพลิเคชันแท็ก 750,000 รายการที่ใช้กับภาพยนตร์มากกว่า 45,000 เรื่อง ข้อมูลจีโนมแท็กมีอยู่ในชุดข้อมูลนี้ซึ่งมีคะแนนความเกี่ยวข้องมากกว่า 12 ล้านคะแนน

เราใช้ชุดข้อมูลทั้งหมดเพื่อสร้างระบบแนะนำภาพยนตร์ขั้นพื้นฐาน อย่างไรก็ตาม คุณสามารถใช้ชุดข้อมูลที่เล็กกว่าสำหรับโปรเจ็กต์นี้ได้ ขั้นแรก เราจะต้องนำเข้าไลบรารีที่จำเป็นทั้งหมด:

ระบบแนะนำภาพยนตร์ขั้นพื้นฐานที่ใช้ Python จะแนะนำภาพยนตร์ตามความนิยมและประเภทของภาพยนตร์ ระบบนี้ทำงานโดยอิงจากแนวคิดที่ว่าภาพยนตร์ยอดนิยมที่มีการโห่ร้องอย่างมีวิจารณญาณจะมีโอกาสสูงที่ผู้ชมทั่วไปจะชอบ โปรดทราบว่าระบบแนะนำภาพยนตร์ดังกล่าวไม่ได้ให้คำแนะนำส่วนบุคคล

ในการใช้งาน เราจะจัดเรียงภาพยนตร์ตามความนิยมและการจัดเรตและส่งต่อไปในอาร์กิวเมนต์ประเภทเพื่อให้ได้ภาพยนตร์ยอดนิยมของประเภท:

ป้อนข้อมูล

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

md.head()

เอาท์พุต

ป้อนข้อมูล

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

สูตรสำหรับแผนภูมิของเรา

สำหรับการสร้างแผนภูมิภาพยนตร์ยอดนิยมของเรา เราใช้การจัดประเภท TMDB เราจะใช้สูตรการให้คะแนนแบบถ่วงน้ำหนักของ IMDB เพื่อสร้างแผนภูมิของเรา ซึ่งมีดังนี้:

คะแนนถ่วงน้ำหนัก (WR) = (iaouaouaouaou)

ในที่นี้ v หมายถึงจำนวนโหวตที่ภาพยนตร์ได้รับ m คือจำนวนโหวตขั้นต่ำที่ภาพยนตร์ควรได้รับบนชาร์ต R หมายถึงคะแนนเฉลี่ยของภาพยนตร์ และ C คือคะแนนโหวตเฉลี่ยสำหรับรายงานทั้งหมด .

การสร้างแผนภูมิ

ตอนนี้เรามีชุดข้อมูลและสูตรแล้ว เราก็เริ่มสร้างแผนภูมิได้ เราจะเพิ่มเฉพาะภาพยนตร์เหล่านั้นในชาร์ตของเราที่มีคะแนนโหวตขั้นต่ำ 95% เราจะเริ่มต้นด้วยการสร้างแผนภูมิ 250 อันดับแรก

ป้อนข้อมูล

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()

ค

เอาท์พุต

5.244896612406511

ป้อนข้อมูล

m = vote_counts.quantile(0.95)

ม

เอาท์พุต

434.0

ป้อนข้อมูล

md['year'] = pd.to_datetime(md['release_date'], errors='coerce').apply(แลมบ์ดา x: str(x).split('-')[0] ถ้า x != np. น่าน อื่น np.nan)

ป้อนข้อมูล

คุณสมบัติ = md[(md['vote_count'] >= m) & (md['vote_count'].notnull()) & (md['vote_average'].notnull())][['title', 'year 'vote_count' 'vote_average' 'ความนิยม' 'ประเภท']]

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

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

คุณสมบัติ.รูปร่าง

เอาท์พุต

(2274, 6)

อย่างที่คุณเห็น การจะได้ตำแหน่งในชาร์ตของเรา ภาพยนตร์ต้องมีคะแนนโหวตไม่ต่ำกว่า 434 คะแนน คุณอาจสังเกตเห็นว่าเรตติ้งเฉลี่ยของภาพยนตร์ต้องเข้าสู่ชาร์ตของเราคือ 5.24

ป้อนข้อมูล

def weighted_rating(x):

v = x['vote_count']

R = x['vote_average']

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

ป้อนข้อมูล

คุณสมบัติ['wr'] = คุณสมบัติสมัคร (weighted_rating, axis=1)

ป้อนข้อมูล

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

เมื่อพร้อมแล้ว มาสร้างแผนภูมิกัน:

ภาพยนตร์ยอดนิยมโดยรวม

ป้อนข้อมูล

คุณสมบัติหัว(15)

เอาท์พุต

Voila คุณได้สร้างระบบแนะนำภาพยนตร์พื้นฐานที่ใช้ Python!

ตอนนี้เราจะ จำกัด ข้อเสนอแนะของระบบผู้แนะนำของเราให้แคบลงตามประเภทเพื่อให้แม่นยำยิ่งขึ้น ไม่จำเป็นที่ทุกคนจะต้องชอบ The Godfather เท่ากัน

จำกัดประเภทให้แคบลง

ดังนั้น ตอนนี้ เราจะแก้ไขระบบผู้แนะนำของเราให้เจาะจงประเภทมากขึ้น:

ป้อนข้อมูล

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

s.name = 'ประเภท'

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

ป้อนข้อมูล

def build_chart(ประเภทเปอร์เซ็นไทล์=0.85):

df = gen_md[gen_md['genre'] == ประเภท]

คะแนนโหวต = 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 (เปอร์เซ็นไทล์)

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

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

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

คุณสมบัติ['wr'] = คุณสมบัติ.apply(แลมบ์ดา x: (x['vote_count']/(x['vote_count']+m) * x['vote_average']) + (m/(m+x[' คะแนนโหวต']) * C), แกน=1)

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

กลับมามีคุณสมบัติ

ตอนนี้เราได้สร้างระบบผู้แนะนำที่จัดเรียงภาพยนตร์ในแนวโรแมนติกและแนะนำภาพยนตร์ยอดนิยม เราเลือกแนวโรแมนติกเพราะมันไม่ปรากฏมากนักในชาร์ตที่แล้วของเรา

ภาพยนตร์แนวโรแมนติกยอดนิยม

ป้อนข้อมูล

build_chart('โรแมนติก').head(15)

เอาท์พุต

ตอนนี้คุณมีระบบแนะนำภาพยนตร์ที่แนะนำภาพยนตร์ยอดนิยมตามประเภทที่เลือกแล้ว เราขอแนะนำให้ทดสอบระบบผู้แนะนำนี้กับประเภทอื่นๆ ด้วย เช่น แอ็คชั่น ดราม่า ใจจดใจจ่อ ฯลฯ แบ่งปันภาพยนตร์สามอันดับแรกในประเภทที่คุณชื่นชอบที่ระบบผู้แนะนำแนะนำในส่วนความคิดเห็นด้านล่าง

เรียนรู้เพิ่มเติมเกี่ยวกับระบบแนะนำภาพยนตร์

อย่างที่คุณคงสังเกตเห็นแล้วว่า การสร้างระบบแนะนำภาพยนตร์ที่ใช้ Python นั้นค่อนข้างง่าย สิ่งที่คุณต้องมีคือความรู้เพียงเล็กน้อยเกี่ยวกับวิทยาศาสตร์ข้อมูลและความพยายามเพียงเล็กน้อยในการสร้างระบบผู้แนะนำที่ทำงานได้อย่างสมบูรณ์

อย่างไรก็ตาม ถ้าคุณต้องการสร้างระบบผู้แนะนำขั้นสูงขึ้นล่ะ จะทำอย่างไรถ้าคุณต้องการสร้างระบบผู้แนะนำที่องค์กรขนาดใหญ่อาจพิจารณาใช้

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับระบบผู้แนะนำและวิทยาศาสตร์ข้อมูล เราขอแนะนำให้เรียนหลักสูตรวิทยาศาสตร์ข้อมูล ด้วยหลักสูตร คุณจะได้เรียนรู้แนวคิดพื้นฐานและขั้นสูงของวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง นอกจากนี้ คุณจะได้ศึกษาจากผู้เชี่ยวชาญในอุตสาหกรรมที่จะแนะนำคุณตลอดหลักสูตรเพื่อช่วยให้คุณหลีกเลี่ยงความสงสัยและความสับสน

ที่ upGrad เรามีหลักสูตรวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิงหลายหลักสูตร คุณสามารถเลือกใครก็ได้จากสิ่งต่อไปนี้ขึ้นอยู่กับความสนใจของคุณ:

• ประกาศนียบัตร PG สาขาวิทยาศาสตร์ข้อมูล
• วิทยาศาสตรมหาบัณฑิตสาขาวิทยาศาสตร์ข้อมูล
• การรับรอง PG ใน Data Science
• ประกาศนียบัตร PG ในการเรียนรู้ของเครื่องและ AI
• วิทยาศาสตรมหาบัณฑิตสาขาการเรียนรู้ของเครื่องและ AI

นอกเหนือจากหลักสูตรเหล่านี้แล้ว เรายังมีหลักสูตรอื่นๆ อีกมากมายในด้านวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง อย่าลืมตรวจสอบพวกเขา!

ความคิดสุดท้าย

ตอนนี้คุณรู้วิธีสร้างระบบแนะนำภาพยนตร์แล้ว หลังจากที่คุณสร้างระบบแล้ว อย่าลืมแบ่งปันกับผู้อื่นและแสดงความคืบหน้าของคุณให้พวกเขาเห็น ระบบผู้แนะนำมีการใช้งานที่หลากหลาย ดังนั้นการเรียนรู้เกี่ยวกับระบบเหล่านี้จะทำให้คุณได้เปรียบในอุตสาหกรรมอย่างแน่นอน