AI_Movie Recommendation

Filmempfehlungssystem

Dieses Projekt implementiert ein Filmempfehlungssystem mit Vektorsuche und Cosinus -Ähnlichkeit. Das System nimmt die Benutzereingabe in Form eines Filmtitels oder eines Überblicks auf und gibt die ähnlichsten Filme anhand ihrer Einbettungen zurück.

Merkmale

• Vektorisierte Suche nach Filmempfehlungen
• Cosinus -Ähnlichkeitsberechnung für das Finden ähnlicher Filme
• RESTFOFFOR API mit Flask erbaut
• Docker -Unterstützung für einfache Bereitstellung

Anforderungen

• Python 3.10
• Flasche
• txtai
• Numpy
• Gunicorn
• Beizen

Installation

1. Klonen Sie das Repository:

   git clone https://github.com/NexusAurora/MovieApp.git
   cd MovieApp

2. Erstellen Sie das Docker -Bild:

   docker build -t MovieApp .

3. Führen Sie den Docker -Container aus:

   docker run -p 8000:8000 MovieApp

Verwendung

Sobald die Anwendung ausgeführt wird, können Sie Postanfragen zum /search -Endpunkt stellen, um Filmempfehlungen zu erhalten.

Forderungsformat

• URL : http://localhost:8000/search
• Methode : POST
• Körper (JSON):

{
    "query" : " Your movie title or overview " ,
    "results" : 5
}

Antwortformat

Die Antwort wird ein JSON -Objekt sein, das die empfohlenen Filme und deren Wahrscheinlichkeiten enthält:

[
    {
        "Output" : {
            "title" : " Movie Title 1 " ,
            "overview" : " Overview of Movie 1 "
        },
        "Probability" : 0.95
    },
    {
        "Output" : {
            "title" : " Movie Title 2 " ,
            "overview" : " Overview of Movie 2 "
        },
        "Probability" : 0.92
    }
]

Schritte zum Erstellen des Empfehlungssystems

1. Datensatz importieren und analysieren : Laden Sie den Datensatz mit Filmtiteln und Übersichten.
2. Relevante Daten extrahieren : Behalten Sie nur den Titel und den Überblick auf und verwerfen Sie andere Parameter.
3. Berechnen Sie die Vektor -Einbettungen : Vectorisieren Sie jeden Überblick und speichern Sie die Einbettungen.
4. Benutzereingabe akzeptieren : Die Benutzereingabe in eine Einbettung verwandeln.
5. Finden Sie Cosinus -Ähnlichkeiten : Berechnen Sie die Kosinus -Ähnlichkeiten zwischen der Einbettung der Benutzereingabe und den Filmeinbettungen.
6. Top -Ergebnisse zurückgeben : Return die Top -N -Filme mit den höchsten Ähnlichkeiten.

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert. Weitere Informationen finden Sie in der Lizenzdatei.

Anerkennung

• txtai für das Embodings -Modell.
• Flask für das Web -Framework.
• Docker für Containerisierung.

Autor

Mein Name
Mein Github -Profil