AI_Movie Recommendation

电影推荐系统

该项目使用矢量搜索和余弦相似性实现了电影推荐系统。该系统以电影标题或概述的形式获取用户输入，并根据其嵌入方式返回最相似的电影。

特征

• 矢量化搜索电影建议
• 查找类似电影的余弦相似性计算
• 用烧瓶构建的宁静API
• Docker支持方便部署

要求

• Python 3.10
• 烧瓶
• TXTAI
• numpy
• 枪支
• 泡菜

安装

1. 克隆存储库：

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

2. 构建Docker图像：

   docker build -t MovieApp .

3. 运行Docker容器：

   docker run -p 8000:8000 MovieApp

用法

应用程序运行后，您可以向/search端点提出发布请求以获取电影建议。

请求格式

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

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

响应格式

响应将是一个包含推荐电影及其概率的JSON对象：

[
    {
        "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
    }
]

创建推荐系统的步骤

1. 导入和解析数据集：加载包含电影标题和概述的数据集。
2. 提取相关数据：仅保留标题和概述，丢弃其他参数。
3. 计算矢量嵌入：矢量化每个概述并存储嵌入。
4. 接受用户输入：将用户输入转换为嵌入。
5. 查找余弦相似之处：计算用户输入嵌入和电影嵌入之间的余弦相似性。
6. 返回顶部结果：返回具有最高相似之处的前N电影。

执照

该项目已根据MIT许可获得许可。有关详细信息，请参见许可证文件。

致谢

• TXTAI用于嵌入模型。
• Web框架的烧瓶。
• 用于容器化的码头。

作者

我的名字
我的github个人资料