Engage 22 Project Bongrub

Engage-22-Projeto-Bongrub

Acordar. É comida para a comida ?

Deve ter ouvido 'Bon Appetit', uma frase francesa que significa 'aproveitar sua refeição'.

Isso é ' Bongrub ', significando grubs felizes (informal para comida)? Todos nós gostamos de comida deliciosa sendo servida para nós, mas quantos de nós gostamos de assistir receitas. Então, esta é uma tentativa de trazer a você as melhores e populares receitas do mundo para ajudá -lo a salvar essa caçada pela receita perfeita.

Parece incrível, certo? Vamos ver como isso é cozido e servido ?? ‍?.

TRABALHANDO

---

Este é um aplicativo da Web que funciona como um repositório de receitas para todos os foodies que estão esperando para experimentar novas receitas. Ele funciona em um mecanismo de recomendação construído usando modelos de aprendizado de máquina que identificariam secretamente os brotos do paladar do usuário e tentariam manter o usuário anexado a este aplicativo, recomendando receitas semelhantes com base no conteúdo navegado.

Um mecanismo de recomendação pode ser classificado com base em três categorias principais:

• Abordagem baseada em conteúdo
• Abordagem de filtragem colaborativa
• Abordagem híbrida

Para este projeto, usei a abordagem de filtragem baseada em conteúdo . Com uma mistura de abordagem colaborativa generalizada, o modelo atua como um modelo híbrido, pois leva em consideração a opinião de outros usuários para gerar uma recomendação. Recomendações feitas pelo motor trabalham de maneiras diferentes de acordo com os vários modelos que ele tem, a saber,

• Recomendor baseado em popularidade
• Recomendador baseado em categoria (também leva em consideração as classificações e a popularidade)
• Recomendador baseado em conteúdo (com base no nome da receita, descrição, palavras -chave, ingredientes, quantidades e tempo necessário para preparar uma receita)

O conjunto de dados contém receitas e revisões presentes no Food.com. O modelo de recomendação recebeu 9000 receitas do conjunto de dados para preparar o motor. O mecanismo preparado foi integrado ao aplicativo Flask e um servidor foi criado para servir os arquivos .pkl gerados pelo modelo. O aplicativo Flask foi então integrado a um servidor NodeJS que finalmente renderiza os dados obtidos do servidor para os clientes do aplicativo para o usuário final usar.

Execute localmente

---

Para executar este código em sua máquina local, siga estas etapas:

Etapa 1: faça uma pasta na sua área de trabalho. Abra um terminal nesta pasta recém -criada para clonar este repositório em sua máquina.

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

Etapa 2: vá para o diretório do projeto e instale o Flask .

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

Etapa 3: execute o servidor Flask.

python recipeapp.py

Etapa 4: aguarde 10 segundos antes de mostrar que o aplicativo Flask está em execução. Copie o URL no qual está entrando em sua máquina local. Pode parecer:

Executando em http://192.168.1.79:5000 (pressione Ctrl+C para sair)

Etapa 5: Abra um novo terminal no "Engage-22-Project-Bongrub". Vá para a pasta "Node App" e abra o arquivo "App.js" em um editor de código de sua escolha.

cd node app/

Etapa 6: substitua o IP e a porta no URIOBJ pelo endereço da URL que você salvou na Etapa 4 e salve o arquivo.

Etapa 7: Agora, no segundo terminal, dentro do diretório "Node App", instale os pacotes NPM (verifique se você tem a versão mais recente do NPM instalada).

npm install

Etapa 8: agora que temos todas as dependências instaladas. É hora de executar o servidor Node.

node app.js

O aplicativo agora está em execução em sua máquina. Você pode acessá -lo digitando localhost: 3001 no seu navegador.

Espero que você goste das recomendações !! Feliz Grubbing !!