Engage 22 Project Bongrub

Engag-22-Project-Bongrub

Despertar. ¿Es comida en punto ?

Debe haber escuchado 'Bon Appetit', una frase francesa que significa 'Disfruta de tu comida'.

¿Este es ' Bongrub ', que significa felices largas (informales para la comida)? Todos disfrutamos de una deliciosa comida que se nos sirve, pero a cuántos de nosotros hemos disfrutado viendo recetas. Entonces, este es un intento de traerte las mejores y populares recetas del mundo para ayudarte a salvar esa búsqueda de la receta perfecta.

Suena increíble, ¿verdad? Veamos cómo se cocina y se sirve esto?

LABORAL

---

Esta es una aplicación web que funciona como un repositorio de recetas para todos los amantes de la comida que están esperando probar nuevas recetas. Funciona en un motor de recomendación construido con modelos de aprendizaje automático que identificaría secretamente las papilas gustativas del usuario e intentan mantener al usuario conectado a esta aplicación recomendando recetas similares basadas en el contenido navegado.

Un motor de recomendación podría clasificarse en función de tres categorías principales:

• Enfoque basado en el contenido
• Enfoque de filtrado colaborativo
• Enfoque híbrido

Para este proyecto, he utilizado el enfoque de filtrado basado en el contenido . Con una combinación de enfoque colaborativo generalizado, el modelo actúa como un modelo híbrido, ya que tiene en cuenta la opinión de otros usuarios para generar una recomendación. Recomendaciones hechas por el motor El trabajo de diferentes maneras según los diversos modelos que tiene, a saber,

• Recomendante basado en popularidad
• Recomendado basado en categorías (tiene en cuenta las calificaciones y la popularidad también)
• Recomendado basado en contenido (basado en el nombre de la receta, descripción, palabras clave, ingredientes, cantidades y tiempo que se necesita para preparar una receta)

El conjunto de datos contiene recetas y revisiones presentes en Food.com. El modelo de recomendación tomó 9000 recetas del conjunto de datos para preparar el motor. El motor preparado se integró con la aplicación Flask y se creó un servidor para servir los archivos .pkl generados por el modelo. La aplicación Flask se integró luego con un servidor NodeJS que finalmente hace que los datos obtenidos del servidor a los clientes de la aplicación para que el usuario final lo use.

Ejecutar localmente

---

Para ejecutar este código en su máquina local, siga estos pasos:

Paso 1: Haga una carpeta en su escritorio. Abra un terminal en esta carpeta recién creada para clonar este repositorio en su máquina.

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

Paso 2: vaya al directorio del proyecto e instale el matraz .

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

Paso 3: Ejecute el servidor Flask.

python recipeapp.py

Paso 4: espere 10 segundos antes de que muestre que la aplicación Flask se está ejecutando. Copie la URL en la que se encuentra con su máquina local. Puede parecer:

Ejecutando en http://192.168.1.79:5000 (presione Ctrl+C para salir)

Paso 5: Abra un nuevo terminal en el "Engage-22-Project-Bongrub". Vaya a la carpeta "Aplicación de nodo" y abra el archivo "App.js" en un editor de código de su elección.

cd node app/

Paso 6: Reemplace la IP y el puerto en el URIOBJ con la dirección de URL que guardó en el paso 4 y guarde el archivo.

Paso 7: Ahora, en el segundo terminal, dentro del directorio "Aplicación de nodo", instale los paquetes NPM (asegúrese de tener la última versión de NPM instalada).

npm install

Paso 8: Ahora que tenemos todas las dependencias instaladas. Es hora de ejecutar el servidor de nodo.

node app.js

La aplicación ahora se está ejecutando en su máquina. Puede acceder a él escribiendo Localhost: 3001 en su navegador.

¡Espero que te gusten las recomendaciones! ¡Feliz grube !