Рекомендації за профілем користувача
Створення систем рекомендацій у Python
Rob O'Callaghan
Director of Data
Рекомендації «товар до товару»
Профілі користувачів
tfidf_summary_df:
| Book | Adventure | Fantasy | Tragedy | Social commentary |
|---|---|---|---|---|
| The Hobbit | 1 | 1 | 0 | 0 |
| Macbeth | 0 | 0 | 1 | 0 |
| ... | ... | ... | ... | ... |
Профіль користувача:
| User Profile | Adventure | Fantasy | Tragedy | Social commentary |
|---|---|---|---|---|
| User_001 | ??? | ??? | ??? | ??? |
Видобути дані користувача
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 ...
Побудувати профіль користувача
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, ...]
Пошук рекомендацій для користувача
# 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"])
Отримати топрекомендації
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
... ...
Давайте потренуємось!
Створення систем рекомендацій у Python
