Python Kullanarak Kendi Film Öneri Sisteminizi Oluşturun

Netflix'in ilgi alanlarınıza bu kadar uygun filmleri nasıl önerdiğini merak ediyor musunuz? Ya da belki kullanıcılarına da bu tür önerilerde bulunabilecek bir sistem mi kurmak istiyorsunuz?

Cevabınız evet ise, bu makale size Python kullanarak bir film öneri sistemi oluşturmayı öğreteceği için doğru yere geldiniz.

Ancak, 'Nasıl'ı tartışmaya başlamadan önce, 'Ne'ye aşina olmalıyız.

Öneri Sistemi: Nedir?

Öneri sistemleri günlük hayatımızın çok ayrılmaz bir parçası haline geldi. Amazon ve Flipkart gibi çevrimiçi perakendecilerden YouTube ve Facebook gibi sosyal medya platformlarına kadar her büyük dijital şirket, müşterilerine kişiselleştirilmiş bir kullanıcı deneyimi sağlamak için öneri sistemlerini kullanır.

Günlük yaşamınızdaki bazı öneri sistemleri örnekleri şunları içerir:

• Ürün satın aldığınızda Amazon'dan aldığınız öneriler bir öneri sisteminin sonucudur.
• YouTube, zevkinize uygun videolar önermek için bir öneri sistemi kullanır.
• Netflix, ilgi alanlarınıza göre dizi ve film önermek için ünlü bir öneri sistemine sahiptir.

Bir öneri sistemi, verileri kullanarak kullanıcılara ürünler önerir. Bu veriler, kullanıcının girdiği ilgi alanları, geçmişi vb. ile ilgili olabilir. Makine öğrenimi ve yapay zeka üzerinde çalışıyorsanız, giderek daha popüler ve gelişmiş hale geldikleri için öneri sistemlerini incelemek bir zorunluluktur.

Öneri Sistemleri Türleri

İki tür öneri sistemi vardır:

1. İşbirlikçi Öneri Sistemleri

İşbirlikçi bir öneri sistemi, o öğe için benzer kullanıcıların benzerliğine göre öğeler önerir. Benzer ilgi ve zevklere sahip kullanıcıları gruplandırır ve buna göre ürünlerini önerir.

Örneğin, sizin ve başka bir kullanıcının Sholay'i beğendiğini varsayalım. Şimdi Sholay izleyip beğendikten sonra diğer kullanıcı Golmaal'ı beğendi. Siz ve diğer kullanıcı benzer ilgi alanlarına sahip olduğunuz için, öneri sistemi bu verilere dayanarak Golmaal'ı izlemenizi önerecektir. Bu işbirlikçi filtrelemedir.

2. İçerik Tabanlı Öneri Sistemleri

İçerik tabanlı bir öneri sistemi, bir kullanıcıdan aldığı verilere dayalı olarak öğeler önerir. Açık verilere ("Beğeniler", "Paylaşımlar" vb.) veya örtük verilere (izleme geçmişi) dayalı olabilir. Öneri sistemi, kullanıcıya özel bir profil oluşturmak için bu verileri kullanır ve bu profile dayalı olarak öğeler önerir.

Temel Bir Film Öneri Sistemi Oluşturma

Öneri sistemlerinin temellerini ele aldığımıza göre, şimdi bir film öneri sistemi oluşturmaya başlayalım.

MovieLens veri setinin tamamını kullanarak Python tabanlı bir film öneri sistemi oluşturmaya başlayabiliriz . Bu veri kümesi, 45.000'den fazla filme uygulanan 26 milyondan fazla derecelendirme, 750.000 etiket uygulaması içerir. Bu veri kümesinde bulunan etiket genomu verileri, 12 milyondan fazla alaka düzeyi puanına sahiptir.

Temel bir film öneri sistemi oluşturmak için tüm veri setini kullanıyoruz. Ancak, bu proje için daha küçük bir veri kümesi kullanmakta özgürsünüz. İlk olarak, gerekli tüm kitaplıkları içe aktarmamız gerekecek:

Python tabanlı temel bir film öneri sistemi, filmin popülerliğine ve türüne göre filmler önerir. Bu sistem, eleştirel beğeni toplayan popüler filmlerin genel izleyici tarafından beğenilme olasılığının yüksek olacağı düşüncesiyle çalışır. Böyle bir film tavsiye sisteminin kişiselleştirilmiş önerilerde bulunmadığını unutmayın.

Bunu uygulamak için filmleri popülerliklerine ve derecelendirmelerine göre sıralayacağız ve bir türün en iyi filmlerini elde etmek için bir tür argümanı ileteceğiz:

Giriş

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

md.head()

Çıktı

Giriş

md['türler'] = md['türler'].fillna('[]').apply(literal_eval).apply(lambda x: [i['ad'] for i in x] if isinstance(x, list ) Başka [])

Grafiğimizin Formülü

En iyi filmler listemizi oluşturmak için TMDB derecelendirmelerini kullandık. Aşağıdaki gibi grafiğimizi oluşturmak için IMDB'nin ağırlıklı derecelendirme formülünü kullanacağız:

Ağırlıklı Derecelendirme (WR) = (iaouaouaouaouaou)

Burada v, bir filmin aldığı oy sayısını, m, bir filmin listede alması gereken minimum oy sayısını, R, filmin ortalama derecelendirmesini ve C, tüm rapor için ortalama oy anlamına gelir. .

Grafikleri Oluşturma

Artık veri kümesine ve formüle sahip olduğumuza göre, grafiği oluşturmaya başlayabiliriz. Listelerimize yalnızca en az %95 oyu alan filmleri ekleyeceğiz. İlk 250 grafiğini oluşturarak başlayacağız.

Giriş

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

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

C = oy_averages.mean()

C

Çıktı

5.244896612406511

Giriş

m = oy_sayısı. nicelik(0.95)

m

Çıktı

434.0

Giriş

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

Giriş

nitelikli = md[(md['vote_count'] >= m) & (md['vote_count'].notnull()) & (md['vote_average'].notnull())][['title', 'year ', 'oy_sayısı', 'oy_ortalama', 'popülerlik', 'türler']]

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

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

nitelikli.şekil

Çıktı

(2274, 6)

Gördüğünüz gibi, bir filmin listemizde yer alabilmesi için en az 434 oy alması gerekiyor. Bir filmin grafiğimize girmek için sahip olması gereken ortalama derecelendirmenin 5,24 olduğunu fark etmiş olabilirsiniz.

Giriş

def ağırlıklı_rating(x):

v = x['oy_sayısı']

R = x['oy_ortalama']

dönüş (v/(v+m) * R) + (m/(m+v) * C)

Giriş

nitelikli['wr'] = nitelikli.apply(ağırlıklı_rating, eksen=1)

Giriş

nitelikli = nitelikli.sort_values('wr', artan=Yanlış).head(250)

Tüm bunları yerine getirdikten sonra grafiği oluşturalım:

Genel Olarak En İyi Filmler

Giriş

kalifiye.kafa(15)

Çıktı

Voila, Python tabanlı temel bir film öneri sistemi oluşturdunuz!

Öneri sistemimizin önerilerini artık türe dayalı olarak daraltacağız, böylece daha kesin olabilir. Sonuçta, herkesin The Godfather'ı eşit derecede sevmesi gerekmiyor.

Türü Daraltma

Bu nedenle, şimdi öneri sistemimizi daha türe özgü olacak şekilde değiştireceğiz:

Giriş

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

s.name = 'tür'

gen_md = md.drop('türler', eksen=1).join(ler)

Giriş

def build_chart(tür, yüzdelik = 0,85):

df = gen_md[gen_md['tür'] == tür]

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

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

C = oy_averages.mean()

m = oy_sayısı. nicelik(yüzdelik)

nitelikli = df[(df['vote_count'] >= m) & (df['vote_count'].notnull()) & (df['vote_average'].notnull())][['title', 'year ', 'oy_sayısı', 'oy_ortalama', 'popülerlik']]

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

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

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

nitelikli = nitelikli.sort_values('wr', artan=Yanlış).head(250)

iade nitelikli

Şimdi, romantizm türündeki filmleri sıralayan ve en iyilerini öneren bir öneri sistemi oluşturduk. Romantizm türünü seçtik çünkü önceki listemizde pek görünmedi.

En İyi Romantik Filmler

Giriş

build_chart('Romantik').kafa(15)

Çıktı

Artık, seçilen bir türe göre en iyi filmleri öneren bir film tavsiye sisteminiz var. Bu öneri sistemini Aksiyon, Drama, Gerilim vb. gibi diğer türlerle de test etmenizi öneririz. Öneri sisteminin önerdiği en sevdiğiniz türdeki ilk üç filmi aşağıdaki yorum bölümünde paylaşın

Film Öneri Sistemi Hakkında Daha Fazla Bilgi Edinin

Şimdiye kadar fark etmiş olmanız gerektiği gibi, Python tabanlı bir film öneri sistemi oluşturmak oldukça basittir. Tek ihtiyacınız olan biraz veri bilimi bilgisi ve tam işlevli bir öneri sistemi oluşturmak için biraz çaba.

Ancak, daha gelişmiş öneri sistemleri oluşturmak isterseniz ne olur? Ya büyük bir şirketin kullanmayı düşünebileceği bir tavsiye sistemi oluşturmak istiyorsanız?

Öneri sistemleri ve veri bilimi hakkında daha fazla bilgi edinmek istiyorsanız, bir veri bilimi kursu almanızı öneririz. Bir kursla, veri bilimi ve makine öğreniminin tüm temel ve gelişmiş kavramlarını öğreneceksiniz. Ayrıca, şüphe ve kafa karışıklığından kaçınmanıza yardımcı olmak için kurs boyunca size rehberlik edecek sektör uzmanlarından eğitim alacaksınız.

upGrad'da birden fazla veri bilimi ve makine öğrenimi kursu sunuyoruz. İlgi alanlarınıza bağlı olarak aşağıdakilerden birini seçebilirsiniz:

• Veri Biliminde PG Diploması
• Veri Biliminde Bilim Ustası
• Veri Biliminde PG Sertifikasyonu
• Makine Öğrenimi ve Yapay Zekada PG Diploması
• Makine Öğrenimi ve Yapay Zekada Bilim Ustası

Bu kursların dışında, veri bilimi ve makine öğrenimi alanında birçok başka kurs sunuyoruz. Onları kontrol ettiğinizden emin olun!

Son düşünceler

Artık bir film tavsiye sisteminin nasıl oluşturulacağını biliyorsunuz. Sistemi oluşturduktan sonra mutlaka başkalarıyla paylaşın ve ilerlemenizi onlara gösterin. Öneri sistemleri çok çeşitli uygulamalara sahiptir, bu nedenle bunları öğrenmek kesinlikle size sektörde bir üstünlük sağlayacaktır.