Engage 22 Project Bongrub

Engager-22-project-bongrub

Réveillez-vous. C'est la nourriture O'Clock ?.

Doit avoir entendu «Bon appétit», une phrase française signifiant «profiter de votre repas».

C'est « Bongrub », ce qui signifie des plongements heureux (informel pour la nourriture) ?. Nous apprécions tous des plats délicieux qui nous sont servis, mais combien d'entre nous aimaient regarder des recettes. Donc, c'est une tentative de vous apporter les recettes les meilleures et les meilleures au monde pour vous aider à sauver cette chasse à la recette parfaite.

Cela semble incroyable, non? Voyons comment cela est cuit et servi ?? ‍ ?.

FONCTIONNEMENT

---

Il s'agit d'une application Web qui fonctionne comme un référentiel de recettes pour tous ces gourmets qui attendent d'essayer de nouvelles recettes. Il fonctionne sur un moteur de recommandation construit à l'aide de modèles d'apprentissage automatique qui identifieraient secrètement les papilles gustatives de l'utilisateur et essaieraient de garder l'utilisateur attaché à cette application en recommandant des recettes similaires en fonction du contenu parcouru.

Un moteur de recommandation peut être classé en fonction de trois grandes catégories:

• Approche basée sur le contenu
• Approche de filtrage collaboratif
• Approche hybride

Pour ce projet, j'ai utilisé l'approche de filtrage basée sur le contenu . Avec un mélange d'approche collaborative généralisée, le modèle agit comme un modèle hybride car il prend en compte l'opinion des autres utilisateurs pour générer une recommandation. Les recommandations faites par le moteur fonctionnent de différentes manières en fonction des différents modèles dont il dispose, à savoir

• Recommandeur basé sur la popularité
• Recommandeur basé sur la catégorie (prend en compte les notes et la popularité aussi)
• Recommandeur basé sur le contenu (basé sur le nom de la recette, la description, les mots clés, les ingrédients, les quantités et le temps nécessaire pour préparer une recette)

L'ensemble de données contient des recettes et des avis présents sur Food.com. Le modèle de recommandation a pris 9000 recettes de l'ensemble de données pour préparer le moteur. Le moteur préparé a été intégré à l'application FLASK et un serveur a été créé pour servir les fichiers .pkl générés par le modèle. L'application FLASK a ensuite été intégrée à un serveur NodeJS qui rend enfin les données obtenues du serveur vers les clients de l'application pour l'utilisateur final.

Courir localement

---

Pour exécuter ce code dans votre machine locale, suivez ces étapes:

Étape 1: Faites un dossier sur votre bureau. Ouvrez un terminal dans ce dossier nouvellement créé pour cloner ce référentiel sur votre machine.

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

Étape 2: Accédez au répertoire du projet et installez Flask .

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

Étape 3: Exécutez le serveur FLASK.

python recipeapp.py

Étape 4: Attendez 10 secondes avant qu'il ne montre que l'application FLASK est en cours d'exécution. Copiez l'URL sur laquelle il se retrouve dans votre machine locale. Cela peut ressembler:

Courir sur http://192.168.1.79:5000 (appuyez sur Ctrl + C pour arrêter)

Étape 5: Ouvrez un nouveau terminal dans le "Engage-22-Project-Bongrub". Accédez au dossier "Node App" et ouvrez le fichier "app.js" dans un éditeur de code de votre choix.

cd node app/

Étape 6: Remplacez l'IP et le port dans l'uriobj par l'adresse URL que vous avez enregistrée à l'étape 4 et enregistrez le fichier.

Étape 7: Maintenant, dans le deuxième terminal, à l'intérieur du répertoire "Node App", installez les packages NPM (assurez-vous que la dernière version de NPM est installée).

npm install

Étape 8: Maintenant que nous avons toutes les dépendances installées. Il est temps d'exécuter le serveur de nœuds.

node app.js

L'application s'exécute maintenant sur votre machine. Vous pouvez y accéder en tapant localhost: 3001 dans votre navigateur.

J'espère que vous aimez les recommandations !! Happy Stoubbing !!