AI_Movie Recommendation

영화 추천 시스템

이 프로젝트는 벡터 검색 및 코사인 유사성을 사용하여 영화 권장 시스템을 구현합니다. 이 시스템은 영화 제목 또는 개요 형식으로 사용자 입력을 취하고 임베딩을 기반으로 가장 유사한 영화를 반환합니다.

특징

• 영화 권장 사항에 대한 벡터화 된 검색
• 유사한 영화를 찾기위한 코사인 유사성 계산
• 플라스크로 제작 된 편안한 API
• Docker는 쉬운 배포를 지원합니다

요구 사항

• 파이썬 3.10
• 플라스크
• txtai
• Numpy
• 건니콘
• 간물

설치

1. 저장소 복제 :

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

2. Docker 이미지 구축 :

   docker build -t MovieApp .

3. Docker 컨테이너를 실행하십시오.

   docker run -p 8000:8000 MovieApp

용법

애플리케이션이 실행되면 /search 엔드 포인트에 게시하여 영화 권장 사항을 얻을 수 있습니다.

요청 형식

• URL : http://localhost:8000/search
• 방법 : POST
• 바디 (JSON) :

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

응답 형식

응답은 권장 영화와 확률이 포함 된 JSON 객체입니다.

[
    {
        "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
    }
]

권장 시스템을 작성하는 단계

1. 가져 오기 및 구문 분석 데이터 세트 : 영화 제목 및 개요가 포함 된 데이터 세트를로드하십시오.
2. 관련 데이터 추출 : 제목 및 개요 만 유지하여 다른 매개 변수를 버립니다.
3. 벡터 임베딩 계산 : 각 개요를 벡터화하고 임베딩을 저장하십시오.
4. 사용자 입력 수락 : 사용자 입력을 임베딩으로 변환하십시오.
5. 코사인 유사성 찾기 : 사용자 입력 임베딩과 영화 임베딩 사이의 코사인 유사성을 계산하십시오.
6. 반환 최고 결과 : 가장 높은 유사성으로 상위 N 영화를 반환하십시오.

특허

이 프로젝트는 MIT 라이센스에 따라 라이센스가 부여됩니다. 자세한 내용은 라이센스 파일을 참조하십시오.

감사의 말

• 임베딩 모델에 대한 txtai.
• 웹 프레임 워크 용 플라스크.
• 컨테이너 화를위한 도커.

작가

내 이름
내 github 프로필