Créer un système de recommandation basé sur l'intrigue

Ingénierie des caractéristiques pour le NLP en Python

Rounak Banik

Data Scientist

Recommandation de films

Titre	Résumé
Shanghai Triad	Un garçon de province lié à une famille du crime de Shanghai est recruté par son oncle, dans le Shanghai des années 1930, pour servir la maîtresse d'un caïd.
Cry, the Beloved Country	Un prédicateur sud-africain cherche son fils égaré qui a commis un crime en ville.

Recommandation de films

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

Étapes

Prétraiter le texte
Générer des vecteurs tf-idf
Générer la matrice de similarité cosinus

La fonction de recommandation

Prendre un titre de film, la matrice de similarité cosinus et la série d'indices en arguments.
Extraire les similarités cosinus par paires pour ce film.
Trier les scores par ordre décroissant.
Afficher les titres correspondant aux plus hauts scores.
Ignorer le score de similarité le plus élevé (de 1).

Générer des vecteurs 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)

Générer la matrice de similarité cosinus

# 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.        ]])

La fonction linear_kernel

La norme d'un vecteur tf-idf est 1
Le score cosinus entre deux vecteurs tf-idf est leur produit scalaire.
Peut grandement accélérer le calcul.
Utilisez linear_kernel plutôt que cosine_similarity.

Générer la matrice de similarité cosinus

# 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.        ]])

La fonction 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

Passons à la pratique !

Ingénierie des caractéristiques pour le NLP en Python