Budowanie rekomendatora opartego na opisach fabuły

Inżynieria cech dla NLP w Pythonie

Rounak Banik

Data Scientist

Rekomendator filmów

Tytuł	Opis
Shanghai Triad	Prowincjonalny chłopiec spokrewniony z szanghajską rodziną przestępczą zostaje zwerbowany przez wuja do służby u kochanki gangstera w Szanghaju lat 30.
Cry, the Beloved Country	Południowoafrykański pastor wyrusza szukać zbłąkanego syna, który popełnił przestępstwo w wielkim mieście.

Rekomendator filmów

get_recommendations("The Godfather")

1178               The Godfather: Part II
44030    The Godfather Trilogy: 1972-1990
1914              The Godfather: Part III
23126                          Blood Ties
11297                    Household Saints
34717                   Start Liquidation
10821                            Election
38030                          Goodfellas
17729                   Short Sharp Shock
26293                  Beck 28 - Familjen
Name: title, dtype: object

Kroki

Wstępne przetwarzanie tekstu
Generowanie wektorów tf-idf
Generowanie macierzy podobieństwa kosinusowego

Funkcja rekomendatora

Przyjmuje tytuł filmu, macierz podobieństwa kosinusowego i serię indeksów jako argumenty.
Wyodrębnia parami wyniki podobieństwa kosinusowego dla danego filmu.
Sortuje wyniki malejąco.
Zwraca tytuły odpowiadające najwyższym wynikom.
Pomija najwyższy wynik podobieństwa (równy 1).

Generowanie wektorów tf-idf

# Import TfidfVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

# Create TfidfVectorizer object
vectorizer = TfidfVectorizer()

# Generate matrix of tf-idf vectors
tfidf_matrix = vectorizer.fit_transform(movie_plots)

Generowanie macierzy podobieństwa kosinusowego

# Import cosine_similarity
from sklearn.metrics.pairwise import cosine_similarity

# Generate cosine similarity matrix
cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)

array([[1.        , 0.27435345, 0.23092036, ..., 0.        , 0.        ,
        0.00758112],
       [0.27435345, 1.        , 0.1246955 , ..., 0.        , 0.        ,
        0.00740494],
       ...,
       [0.00758112, 0.00740494, 0.        , ..., 0.        , 0.        ,
        1.        ]])

Funkcja linear_kernel

Długość wektora tf-idf wynosi 1
Wynik kosinusowy dwóch wektorów tf-idf to ich iloczyn skalarny.
Może znacznie skrócić czas obliczeń.
Użyj linear_kernel zamiast cosine_similarity.

Generowanie macierzy podobieństwa kosinusowego

# Import cosine_similarity
from sklearn.metrics.pairwise import linear_kernel

# Generate cosine similarity matrix
cosine_sim = linear_kernel(tfidf_matrix, tfidf_matrix)

array([[1.        , 0.27435345, 0.23092036, ..., 0.        , 0.        ,
        0.00758112],
       [0.27435345, 1.        , 0.1246955 , ..., 0.        , 0.        ,
        0.00740494],
       ...,
       [0.00758112, 0.00740494, 0.        , ..., 0.        , 0.        ,
        1.        ]])

Funkcja get_recommendations

get_recommendations('The Lion King', cosine_sim, indices)

7782                      African Cats
5877    The Lion King 2: Simba's Pride
4524                         Born Free
2719                          The Bear
4770     Once Upon a Time in China III
7070                        Crows Zero
739                   The Wizard of Oz
8926                   The Jungle Book
1749                 Shadow of a Doubt
7993                      October Baby
Name: title, dtype: object

Czas na ćwiczenia!

Inżynieria cech dla NLP w Pythonie