Rekomendacje na podstawie profilu użytkownika

Budowanie systemów rekomendacji w Pythonie

Rob O'Callaghan

Director of Data

Rekomendacje element–element

Schemat rekomendacji opartych na podobieństwie elementów.

Profile użytkowników

tfidf_summary_df:

Książka	Przygoda	Fantasy	Tragedia	Komentarz społeczny
The Hobbit	1	1	0	0
Macbeth	0	0	1	0
...	...	...	...	...

Profil użytkownika:

Profil użytkownika	Przygoda	Fantasy	Tragedia	Komentarz społeczny
User_001	???	???	???	???

Wyodrębnianie danych użytkownika

list_of_books_read = ['The Hobbit', 'Foundation', 'Nudge']

user_books = tfidf_summary_df.reindex(list_of_books_read)

print(user_books)

               age   ancient   angry   brave   battle   fellow    ...
 The Hobbit   0.21      0.53    0.41    0.64     0.01     0.02    ...
 Foundation   0.31      0.90    0.42    0.33     0.64     0.04    ...
      Nudge   0.61      0.01    0.45    0.31     0.12     0.74    ...

Budowanie profilu użytkownika

user_prof = user_movies.mean()

print(user_prof)

age      0.376667
ancient  0.480000
angry    0.426667
brave    0.256667
             ...

print(user_prof.values.reshape(1,-1))

[0.376667, .480000, 0.426667, 0.256667, ...]

Znajdowanie rekomendacji dla użytkownika

# Create a subset of only the non read books
non_user_movies = tfidf_summary_df.drop(list_of_movies_seen, axis=0)


# Calculate the cosine similarity between all rows
user_prof_similarities = cosine_similarity(user_prof.values.reshape(1, -1),
                                          non_user_movies)

# Wrap in a DataFrame for ease of use
user_prof_similarities_df = pd.DataFrame(user_prof_similarities.T,
                                        index=tfidf_summary_df.index,
                                        columns=["similarity_score"])

Najlepsze rekomendacje

sorted_similarity_df = user_prof_similarities.sort_values(by="similarity_score",
                                                         ascending=False)

print(sorted_similarity_df)

                                similarity_score
Title                                           
The Two Towers                          0.422488
Dune                                    0.363540
The Magicians Nephew                    0.316075
...                                     ...

Czas na ćwiczenia!

Budowanie systemów rekomendacji w Pythonie