AI_Movie Recommendation Télécharger - AI_Movie Recommendation Code source Télécharger

AI_Movie Recommendation

Autre code source

1.0.0

Télécharger

Système de recommandation de film

Ce projet met en œuvre un système de recommandation de film utilisant la recherche vectorielle et la similitude du cosinus. Le système prend la saisie des utilisateurs sous la forme d'un titre de film ou d'une vue d'ensemble et renvoie les films les plus similaires en fonction de leurs intérêts.

Caractéristiques

Recherche vectorisée de recommandations de films
Calcul de la similitude des cosinus pour trouver des films similaires
API RESTFul construite avec Flask
Prise en charge de Docker pour un déploiement facile

Exigences

Python 3.10
Ballon
txtai
Nombant
Gunicorn
Saumure

Installation

Clone le référentiel:

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

Construisez l'image Docker:
```
docker build -t MovieApp .
```
Exécutez le conteneur Docker:
```
docker run -p 8000:8000 MovieApp
```

Usage

Une fois l'application en cours d'exécution, vous pouvez faire des demandes de publication au point de terminaison /search pour obtenir des recommandations de films.

Demander le format

URL : http://localhost:8000/search
Méthode : POST
Corps (JSON):

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

Format de réponse

La réponse sera un objet JSON contenant les films recommandés et leurs probabilités:

[
    {
        "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
    }
]

Étapes pour créer le système de recommandation

Ensemble de données d'importation et d'analyse : chargez l'ensemble de données contenant des titres de film et des aperçus.
Extraire les données pertinentes : conservez uniquement le titre et la vue d'ensemble, en éliminant d'autres paramètres.
Calculez les incorporations vectorielles : vectorisez chaque vue d'ensemble et stockez les intérêts.
Acceptez l'entrée de l'utilisateur : Transformez l'entrée de l'utilisateur en une intégration.
Trouvez des similitudes de cosinus : calculez les similitudes en cosinus entre l'intégration d'entrée de l'utilisateur et les incorporations de films.
Retour des résultats des meilleurs : Renvoyez les n films supérieurs avec les plus hautes similitudes.