प्लॉट-आधारित रिकमेंडर बनाना

Python में NLP के लिए Feature Engineering

Rounak Banik

Data Scientist

मूवी रिकमेंडर

Title	Overview
Shanghai Triad	1930 के दशक में शंघाई के एक अपराध परिवार से जुड़ा प्रांतीय लड़का अपने चाचा के कहने पर शंघाई जाता है और गैंगलॉर्ड की रखैल का नौकर बनता है.
Cry, the Beloved Country	एक दक्षिण अफ्रीकी पादरी बड़े शहर में अपराध कर चुके अपने बिगड़े हुए बेटे को खोजने निकलता है.

मूवी रिकमेंडर

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

स्टेप्स

टेक्स्ट प्रीप्रोसेसिंग
tf-idf वेक्टर जनरेट करें
कोसाइन सिमिलैरिटी मैट्रिक्स जनरेट करें

रिकमेंडर फंक्शन

आर्ग्युमेंट्स: मूवी टाइटल, कोसाइन सिमिलैरिटी मैट्रिक्स, और इंडिसीज़ सीरीज़.
उस मूवी के पेयरवाइज़ कोसाइन सिमिलैरिटी स्कोर निकालें.
स्कोर को अवरोही क्रम में सॉर्ट करें.
सबसे ऊँचे स्कोर से जुड़े टाइटल आउटपुट करें.
सबसे ऊँचा स्कोर (1) इग्नोर करें.

tf-idf वेक्टर जनरेट करना

# 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)

कोसाइन सिमिलैरिटी मैट्रिक्स जनरेट करना

# 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.        ]])

`linear_kernel` फंक्शन

tf-idf वेक्टर का मैग्निट्यूड 1 होता है.
दो tf-idf वेक्टर के बीच का कोसाइन स्कोर उनका डॉट प्रोडक्ट है.
इससे computation समय काफी घट सकता है.
cosine_similarity की जगह linear_kernel उपयोग करें.

कोसाइन सिमिलैरिटी मैट्रिक्स जनरेट करना

# 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.        ]])

`get_recommendations` फंक्शन

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

अभ्यास करते हैं!

Python में NLP के लिए Feature Engineering