AJAX Movie Recommendation System with Sentiment Analysis
1.0.0
La version mise à jour de cette application peut être trouvée sur: https://github.com/kishan0725/the-movie-cinema
Le système de recommandation basé sur le contenu recommande des films similaires à l'utilisateur du film aime et analyse les sentiments sur les critiques données par l'utilisateur pour ce film.
Les détails des films (titre, genre, runtime, note, affiche, etc.) sont récupérés à l'aide d'une API par TMDB, https://www.theoviedb.org/documentation/API, et en utilisant l'IDB IDB du film dans l'API, j'ai fait du tracotage Web pour obtenir des revues sur l'utilisateur dans le site IMDB en utilisant BeautifulSoup4 et j'ai effectué une analyse des révisions sur l'utilisateur dans le site IMDB en utilisant BeautifulSoup4 et en utilisant la révision de l'utilisateur dans le site IMDB en utilisant BeautifulSoup4 et en utilisant la révision de l'utilisateur dans le site IMDB en utilisant le site IMDB en utilisant beautifulsoup4 et en apportant une analyse des révisions sur l'utilisateur dans le site IMDB en utilisant le site IMDB en utilisant BeautifulSoup4 et en faisant des revues.
Lien vers la démo YouTube: https://www.youtube.com/watch?v=dhveptyecfw
J'ai développé une application similaire intitulée "The Movie Cinema" qui prend en charge tous les films de langue. Mais la seule chose qui diffère de cette application est que j'ai utilisé le moteur de recommandation du TMDB dans "The Movie Cinema". La partie de recommandation développée par moi dans cette application ne prend pas en charge les films multi-langues car il consomme 200% de la RAM (même après l'avoir déployé à Heroku) pour générer du comte Vectrizer Matrix pour tous les 700 000 films dans le TMDB.
Lien vers "The Movie Cinema" Application: https://tmc.kishanlal.dev/
Si vous ne trouvez pas le film que vous recherchez via les auto-suggestions lors de la frappe, il n'est pas nécessaire de s'inquiéter. Tapez simplement le nom du film et appuyez sur "Entrée". Même si vous faites des fautes de frappe, cela devrait toujours fonctionner bien.
Code source: https://github.com/kishan0725/the-movie-cinema
Créez un compte dans https://www.themoviedb.org/, cliquez sur le lien API dans la barre latérale de gauche dans les paramètres de votre compte et remplissez tous les détails pour demander la clé API. Si vous êtes demandé l'URL du site Web, donnez simplement "NA" si vous n'en avez pas. Vous verrez la clé API dans votre barre latérale API une fois votre demande approuvée.
pip install -r requirements.txtstatic/recommend.js et appuyez sur Save.main.py en exécutant la commande python main.pyhttp://127.0.0.1:5000/ dans la barre d'adresse.
Comment décide-t-il quel élément est le plus similaire à l'élément que l'utilisateur aime? Voici les scores de similitude.
Il s'agit d'une valeur numérique varie entre zéro à une qui aide à déterminer combien deux éléments sont similaires les uns aux autres sur une échelle de zéro à un. Ce score de similitude est obtenu en mesurant la similitude entre les détails du texte des deux éléments. Ainsi, le score de similitude est la mesure de la similitude entre les détails du texte donné de deux éléments. Cela peut être fait par le cosinus-similitude.
La similitude du cosinus est une métrique utilisée pour mesurer à quel point les documents sont similaires, quelle que soit leur taille. Mathématiquement, il mesure le cosinus de l'angle entre deux vecteurs projetés dans un espace multidimensionnel. La similitude du cosinus est avantageuse car même si les deux documents similaires sont éloignés de la distance euclidienne (en raison de la taille du document), il est probable qu'ils puissent toujours être orientés plus près les uns des autres. Plus l'angle est petit, la similitude du cosinus est plus élevée.
En savoir plus sur la similitude du cosinus: comprendre les mathématiques derrière la similitude du cosinus
