Engage 22 Project Bongrub

Engage-22-project-bongrub

Aufwachen. Es ist Essen Uhr ?

Muss "Bon Appetit" gehört haben, ein französischer Satz, was "Genießen Sie Ihre Mahlzeit".

Dies ist ' Bongrub ', was glückliche Maden bedeutet (informell für Lebensmittel)? Wir alle genießen köstliches Essen, das uns serviert wird, aber wie viele von uns haben es genossen, Rezepte zu sehen. Dies ist also ein Versuch, Ihnen die besten und beliebten Rezepte der Welt zu bringen, um Ihnen dabei zu helfen, diese Suche nach dem perfekten Rezept zu sparen.

Klingt unglaublich, oder? Mal sehen, wie das gekocht und serviert wird? ‍?.

ARBEITEN

---

Dies ist eine Webanwendung, die wie ein Rezeptrepository für all diese Feinschmecker da draußen funktioniert, die darauf warten, neue Rezepte auszuprobieren. Es arbeitet in einer Empfehlungsmotor, die mit maschinellem Lernmodellen erstellt wurde, die heimlich die Geschmacksknospen des Benutzers identifizieren und versuchen, den Benutzer an diese Anwendung angeschlossen zu halten, indem ähnliche Rezepte basierend auf dem durchgeborenen Inhalt empfohlen werden.

Eine Empfehlungsmotor könnte basierend auf drei Hauptkategorien klassifiziert werden:

• Inhaltsbasiertes Ansatz
• Kollaborativer Filteransatz
• Hybridansatz

Für dieses Projekt habe ich den inhaltsbasierten Filteransatz verwendet. Mit einer Mischung aus generalisiertem kollaborativen Ansatz fungiert das Modell als Hybridmodell, da es die Meinung anderer Benutzer berücksichtigt, eine Empfehlung zu generieren. Empfehlungen der Motor arbeiten auf unterschiedliche Weise gemäß den verschiedenen Modellen, die es hat, nämlich

• Popularitätsbasis Empfehlung
• Kategorienbasierte Empfehlungen (berücksichtigen auch die Bewertungen und die Popularität)
• Inhaltsbasierter Empfehlungen (basierend auf Rezeptnamen, Beschreibung, Schlüsselwörtern, Zutaten, Mengen und Zeit, die zur Vorbereitung eines Rezepts erforderlich ist)

Der Datensatz enthält Rezepte und Bewertungen, die auf Food.com vorhanden sind. Das Empfehlungsmodell nahm 9000 Rezepte aus dem Datensatz, um die Engine vorzubereiten. Die vorbereitete Engine wurde in die Flask -Anwendung integriert und ein Server wurde erstellt, um die vom Modell generierten .pkl -Dateien zu bedienen. Die Flask -App wurde dann in einen NodeJS -Server integriert, der schließlich die vom Server abgerufenen Daten an die Anwendungsclients für den Endbenutzer rensiert.

Vor Ort laufen

---

Befolgen Sie die folgenden Schritte, um diesen Code in Ihrem lokalen Computer auszuführen:

Schritt 1: Erstellen Sie einen Ordner auf Ihrem Desktop. Öffnen Sie ein Terminal in diesem neu erstellten Ordner, um dieses Repository auf Ihrem Computer zu klonen.

git clone https://github.com/AnanyaGarg28/Engage-22-Project-Bongrub.git

Schritt 2: Gehen Sie zum Projektverzeichnis und installieren Sie den Kolben .

cd Engage-22-Project-Bongrub/ pip3 install flask

Schritt 3: Führen Sie den Flask -Server aus.

python recipeapp.py

Schritt 4: Warten Sie 10 Sekunden, bevor sie zeigt, dass die Flask -App ausgeführt wird. Kopieren Sie die URL, auf der sie in Ihre lokale Maschine läuft. Es kann aussehen wie:

Ausführen auf http://192.168.1.79:5000 (drücken Sie Strg+C, um zu beenden)

Schritt 5: Öffnen Sie ein neues Terminal im "Engage-22-project-bongrub". Gehen Sie zum Ordner "Node App" und öffnen Sie die Datei "app.js" in einem Code -Editor Ihrer Wahl.

cd node app/

Schritt 6: Ersetzen Sie die IP und den Port im Uriobj durch die in Schritt 4 gespeicherte URL -Adresse und speichern Sie die Datei.

Schritt 7: Installieren Sie im zweiten Terminal im Verzeichnis "Knoten -App" die NPM -Pakete (stellen Sie sicher, dass die neueste Version von NPM installiert ist).

npm install

Schritt 8: Jetzt, wo alle Abhängigkeiten installiert sind. Es ist Zeit, den Knotenserver auszuführen.

node app.js

Die Anwendung wird jetzt auf Ihrem Computer ausgeführt. Sie können darauf zugreifen, indem Sie Localhost: 3001 in Ihrem Browser eingeben.

Hoffe dir gefällt die Empfehlungen !! Happy Grubbing !!