AJAX Movie Recommendation System with Sentiment Analysis

Content-berbasis-film-rekrutmen-sistem-dengan-analisis-analisis-menggunakan-Ajax

Versi yang diperbarui dari aplikasi ini dapat ditemukan di: https://github.com/kishan0725/the-movie-cinema

Sistem Rekomendasi Berbasis Konten merekomendasikan film yang mirip dengan film yang disukai dan menganalisis sentimen pada ulasan yang diberikan oleh pengguna untuk film itu.

Rincian film (judul, genre, runtime, peringkat, poster, dll) diambil menggunakan API oleh TMDB, https://www.themoviedb.org/documentation/api, dan menggunakan IMDB di API di API, saya melakukan beautifulsoup4 web untuk mendapatkan ulasan yang diberikan oleh pengguna.

Tautan ke Demo YouTube: https://www.youtube.com/watch?v=dhveptyecfw

Bioskop film

Saya telah mengembangkan aplikasi serupa yang disebut "The Movie Cinema" yang mendukung semua film bahasa. Tetapi satu -satunya hal yang berbeda dari aplikasi ini adalah bahwa saya telah menggunakan mesin rekomendasi TMDB di "The Movie Cinema". Bagian rekomendasi yang dikembangkan oleh saya dalam aplikasi ini tidak mendukung film multi-bahasa karena mengkonsumsi 200% dari RAM (bahkan setelah menggunakannya ke Heroku) untuk menghasilkan matriks vektorisasi hitungan untuk semua 700.000 film dalam TMDB.

Tautan ke aplikasi "The Movie Cinema": https://tmc.kishanlal.dev/

Jika Anda tidak dapat menemukan film yang Anda cari melalui pengisian otomatis saat mengetik, tidak perlu khawatir. Cukup ketikkan nama film dan tekan "Enter". Bahkan jika Anda membuat beberapa kesalahan ketik, itu harus tetap berfungsi dengan baik.

Kode Sumber: https://github.com/kishan0725/the-movie-cinema

Ditampilkan dalam sesi langsung Krish di YouTube

Bagaimana cara mendapatkan kunci API?

Buat akun di https://www.themoviedb.org/, klik tautan API dari bilah sisi kiri di pengaturan akun Anda dan isi semua detail untuk diterapkan untuk tombol API. Jika Anda diminta URL situs web, cukup berikan "NA" jika Anda tidak memilikinya. Anda akan melihat kunci API di sidebar API Anda setelah permintaan Anda disetujui.

Bagaimana cara menjalankan proyek?

1. Klon atau unduh repositori ini ke mesin lokal Anda.
2. Instal semua pustaka yang disebutkan dalam file persyaratan.txt dengan perintah pip install -r requirements.txt
3. Dapatkan kunci API Anda dari https://www.themoviedb.org/. (Rujuk bagian di atas tentang cara mendapatkan kunci API)
4. Ganti your_api_key di kedua tempat (baris no. 15 dan 29) dari file static/recommend.js dan tekan simpan.
5. Buka Terminal/Perintah Prompt Anda dari Direktori Proyek Anda dan jalankan file main.py dengan mengeksekusi perintah python main.py
6. Buka browser Anda dan ketik http://127.0.0.1:5000/ Di bilah alamat.
7. Hore! Itu saja.

Arsitektur

Skor Kesamaan:

Bagaimana cara memutuskan item mana yang paling mirip dengan item yang disukai pengguna? Inilah skor kesamaan.

Ini adalah rentang nilai numerik antara nol ke satu yang membantu menentukan berapa banyak dua item yang mirip satu sama lain pada skala nol ke satu. Skor kesamaan ini diperoleh mengukur kesamaan antara detail teks dari kedua item tersebut. Jadi, skor kesamaan adalah ukuran kesamaan antara detail teks yang diberikan dari dua item. Ini dapat dilakukan dengan cosine-similarity.

Bagaimana kesamaan kosinus bekerja?

Kesamaan kosinus adalah metrik yang digunakan untuk mengukur seberapa mirip dokumen tersebut terlepas dari ukurannya. Secara matematis, mengukur kosinus sudut antara dua vektor yang diproyeksikan dalam ruang multi-dimensi. Kesamaan kosinus menguntungkan karena bahkan jika dua dokumen serupa berjauhan dengan jarak Euclidean (karena ukuran dokumen), kemungkinan mereka masih berorientasi lebih dekat bersama. Semakin kecil sudut, lebih tinggi kesamaan kosinus.

Lebih lanjut tentang kesamaan kosinus: Memahami matematika di balik kesamaan kosinus

Sumber Dataset

1. IMDB 5000 Dataset Film
2. Dataset Film
3. Daftar film di tahun 2018
4. Daftar film di 2019
5. Daftar film di tahun 2020

Sejarah Bintang