AI_Movie Recommendation

映画の推奨システム

このプロジェクトは、ベクトル検索とコサインの類似性を使用して、映画の推奨システムを実装しています。このシステムは、ユーザーの入力を映画のタイトルまたは概要の形で取得し、埋め込みに基づいて最も似た映画を返します。

特徴

• 映画の推奨事項のベクトル化された検索
• 同様の映画を見つけるためのコサインの類似性計算
• フラスコで構築されたRESTFUL API
• 簡単な展開のためのDockerサポート

要件

• Python 3.10
• フラスコ
• Txtai
• numpy
• グニコーン
• ピクルス

インストール

1. リポジトリをクローンします：

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

2. Docker画像を作成します：

   docker build -t MovieApp .

3. Dockerコンテナを実行します。

   docker run -p 8000:8000 MovieApp

使用法

アプリケーションが実行されたら、 /searchエンドポイントに投稿リクエストを行い、映画の推奨事項を取得できます。

リクエスト形式

• URL ： http://localhost:8000/search
• 方法： POST
• ボディ（JSON）：

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

応答形式

応答は、推奨される映画とその確率を含むJSONオブジェクトになります。

[
    {
        "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
    }
]

推奨システムを作成する手順

1. インポートおよび解析データセット：映画のタイトルと概要を含むデータセットをロードします。
2. 関連するデータを抽出します：タイトルと概要のみを保持し、他のパラメーターを破棄します。
3. ベクトル埋め込みの計算：各概要をベクトル化し、埋め込みを保存します。
4. ユーザー入力を受け入れる：ユーザー入力を埋め込みに変換します。
5. コサインの類似性を見つけます：ユーザーの入力埋め込みと映画の埋め込みの間のコサインの類似性を計算します。
6. トップの結果を返す：最高の類似点でトップNの映画を返します。

ライセンス

このプロジェクトは、MITライセンスの下でライセンスされています。詳細については、ライセンスファイルを参照してください。

謝辞

• 埋め込みモデルのTxtai。
• Webフレームワーク用のフラスコ。
• コンテナ化のためのDocker。

著者

私の名前
私のgithubプロフィール