Engage 22 Project Bongrub

Engage-22-Project-Bongrub

Bangun. Ini makanan ?

Pasti mendengar 'Bon Appetit', frasa Prancis yang berarti 'Nikmati Makanan Anda'.

Ini adalah ' bongrub ', yang berarti belatung bahagia (informal untuk makanan)? Kita semua menikmati makanan lezat yang disajikan kepada kita, tetapi berapa banyak dari kita yang menikmati menonton resep. Jadi, ini adalah upaya untuk membawa kepada Anda resep terbaik dan populer di dunia untuk membantu Anda menyimpan perburuan itu untuk resep yang sempurna.

Kedengarannya luar biasa, kan? Mari kita lihat bagaimana ini dimasak dan disajikan ?? ‍?

BEKERJA

---

Ini adalah aplikasi web yang berfungsi seperti repositori resep untuk semua pecinta kuliner di luar sana yang menunggu untuk mencoba resep baru. Ini bekerja pada mesin rekomendasi yang dibangun menggunakan model pembelajaran mesin yang secara diam -diam mengidentifikasi selera pengguna dan mencoba menjaga agar pengguna tetap terpasang pada aplikasi ini dengan merekomendasikan resep serupa berdasarkan konten yang digerutu.

Mesin rekomendasi dapat diklasifikasikan berdasarkan tiga kategori utama:

• Pendekatan berbasis konten
• Pendekatan penyaringan kolaboratif
• Pendekatan hibrida

Untuk proyek ini, saya telah menggunakan pendekatan penyaringan berbasis konten . Dengan campuran pendekatan kolaboratif umum, model ini bertindak sebagai model hibrida karena memperhitungkan pendapat pengguna lain untuk menghasilkan rekomendasi. Rekomendasi yang dibuat oleh pekerjaan mesin dengan cara yang berbeda sesuai dengan berbagai model yang dimilikinya, yaitu

• Rekomendasi Berbasis Popularitas
• Rekomendasi Berbasis Kategori (memperhitungkan peringkat dan popularitas juga)
• Rekomendasi Berbasis Konten (berdasarkan nama resep, deskripsi, kata kunci, bahan, jumlah, dan waktu yang diperlukan untuk menyiapkan resep)

Dataset berisi resep dan ulasan yang ada di Food.com. Model rekomendasi mengambil 9000 resep dari dataset untuk menyiapkan mesin. Mesin yang disiapkan diintegrasikan dengan aplikasi Flask dan server dibuat untuk melayani file .pkl yang dihasilkan oleh model. Aplikasi Flask kemudian diintegrasikan dengan server NodeJS yang akhirnya membuat data diambil dari server ke klien aplikasi untuk digunakan pengguna akhir.

Jalankan secara lokal

---

Untuk menjalankan kode ini di mesin lokal Anda, ikuti langkah -langkah ini:

Langkah 1: Buat folder di desktop Anda. Buka terminal di folder yang baru dibuat ini untuk mengkloning repositori ini pada mesin Anda.

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

Langkah 2: Buka direktori proyek dan instal Flask .

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

Langkah 3: Jalankan server Flask.

python recipeapp.py

Langkah 4: Tunggu selama 10 detik sebelum menunjukkan bahwa aplikasi Flask sedang berjalan. Salin URL tempat ia berjalan ke mesin lokal Anda. Itu mungkin terlihat seperti:

Berjalan di http://192.168.1.79:5000 (tekan Ctrl+C untuk berhenti)

Langkah 5: Buka terminal baru di "Engage-22-Project-Bongrub". Buka folder "Aplikasi Node" dan buka file "app.js" di editor kode pilihan Anda.

cd node app/

Langkah 6: Ganti IP dan port di Uriobj dengan alamat URL yang Anda simpan di Langkah 4 dan simpan file.

Langkah 7: Sekarang, di terminal kedua, di dalam direktori "Aplikasi Node", instal paket NPM (pastikan Anda memiliki versi terbaru dari NPM yang diinstal).

npm install

Langkah 8: Sekarang kami sudah menginstal semua dependensi. Saatnya menjalankan server node.

node app.js

Aplikasi sekarang berjalan di mesin Anda. Anda dapat mengaksesnya dengan mengetik LocalHost: 3001 di browser Anda.

Semoga Anda menyukai rekomendasinya !! Selamat menggerutu !!