Movie Recommendation Netflix

Netflix-Movie-Recommendation-System

การแนะนำภาพยนตร์-Netflix

ปัญหาธุรกิจ

คำอธิบายปัญหา

Netflix เป็นเรื่องเกี่ยวกับการเชื่อมโยงผู้คนกับภาพยนตร์ที่พวกเขารัก เพื่อช่วยให้ลูกค้าค้นหาภาพยนตร์เหล่านั้นพวกเขาได้พัฒนาระบบคำแนะนำภาพยนตร์ระดับโลก: Cinematchsm หน้าที่ของมันคือการคาดการณ์ว่าจะมีใครบางคนเพลิดเพลินไปกับภาพยนตร์ตามจำนวนที่พวกเขาชอบหรือไม่ชอบภาพยนตร์เรื่องอื่น ๆ Netflix ใช้การคาดการณ์เหล่านั้นเพื่อให้คำแนะนำภาพยนตร์ส่วนตัวตามรสนิยมที่เป็นเอกลักษณ์ของลูกค้าแต่ละราย และในขณะที่ Cinematch ทำได้ค่อนข้างดี แต่ก็สามารถทำได้ดีขึ้นเสมอ

ขณะนี้มีวิธีการทางเลือกที่น่าสนใจมากมายเกี่ยวกับวิธีการทำงานของ Cinematch ที่ Netflix ไม่ได้ลอง บางคนอธิบายไว้ในวรรณคดีบางคนไม่ได้ เราอยากรู้ว่าสิ่งเหล่านี้สามารถเอาชนะ Cinematch ได้ด้วยการคาดการณ์ที่ดีขึ้นหรือไม่ เพราะตรงไปตรงมาหากมีวิธีที่ดีกว่ามากมันอาจสร้างความแตกต่างอย่างมากให้กับลูกค้าและธุรกิจของเรา

เครดิต: https://www.netflixprize.com/rules.html

เป้าหมายของโครงการนี้คือการพัฒนาระบบการแนะนำ #Datascience สำหรับ Netflix

แฮชแท็กยอดนิยมไม่กี่ -

#DataScience #Netflix #Recommendation System

#Ratings #Movie PRediction #Numpy-Pandas

แรงจูงใจ

Netflix ให้ข้อมูลการจัดอันดับที่ไม่ระบุชื่อจำนวนมากและแถบความแม่นยำในการทำนายที่ดีกว่าสิ่งที่ Cinematch สามารถทำได้ในชุดข้อมูลการฝึกอบรมเดียวกัน (ความแม่นยำคือการวัดว่าการจัดอันดับที่คาดการณ์ไว้อย่างใกล้ชิดของภาพยนตร์ตรงกับการจัดอันดับจริงที่ตามมา)

เกี่ยวกับโครงการ

1. ทำนายคะแนนที่ผู้ใช้จะมอบให้กับภาพยนตร์ที่เขายังไม่ได้ให้คะแนน
2. ลดความแตกต่างระหว่างการจัดอันดับที่คาดการณ์ไว้และจริง (RMSE และ MAPE)

ขั้นตอนที่เกี่ยวข้องในโครงการนี้

1. ความสามารถในการตีความบางรูปแบบ
2. ปัญหาการเรียนรู้ของเครื่องจักร
3. ข้อมูล

ภาพรวมข้อมูล

รับข้อมูลจาก: https://www.kaggle.com/netflix-inc/netflix-prize-data/data

ไฟล์ข้อมูล:

• combined_data_1.txt
• combined_data_2.txt
• combined_data_3.txt
• combined_data_4.txt
• movie_titles.csv

บรรทัดแรกของแต่ละไฟล์ [combined_data_1.txt, combined_data_2.txt, combined_data_3.txt, combined_data_4.txt] มีรหัสภาพยนตร์ตามด้วยลำไส้ใหญ่ แต่ละบรรทัดที่ตามมาในไฟล์สอดคล้องกับการให้คะแนนจากลูกค้าและวันที่ในรูปแบบต่อไปนี้:

CustomerId, คะแนน, วันที่

MovieIds มีตั้งแต่ 1 ถึง 17770 ตามลำดับ CustomerIds มีตั้งแต่ 1 ถึง 2649429 พร้อมช่องว่าง มีผู้ใช้ 480189 คน การให้คะแนนอยู่ในระดับห้าดาว (อินทิกรัล) จาก 1 ถึง 5 วันที่มีรูปแบบ yyyy-mm-dd

 # Movie by Movie Similarity Matrix
start = datetime . now ()
if not os . path . isfile ( 'm_m_sim_sparse.npz' ):
    print ( "It seems you don't have that file. Computing movie_movie similarity..." )
    start = datetime . now ()
    m_m_sim_sparse = cosine_similarity ( X = train_sparse_matrix . T , dense_output = False )
    print ( "Done.." )
    # store this sparse matrix in disk before using it. For future purposes.
    print ( "Saving it to disk without the need of re-computing it again.. " )
    sparse . save_npz ( "m_m_sim_sparse.npz" , m_m_sim_sparse )
    print ( "Done.." )
else :
    print ( "It is there, We will get it." )
    m_m_sim_sparse = sparse . load_npz ( "m_m_sim_sparse.npz" )
    print ( "Done ..." )

print ( "It's a " , m_m_sim_sparse . shape , " dimensional matrix" )

print ( datetime . now () - start )

การทำแผนที่ปัญหาโลกแห่งความเป็นจริงกับปัญหาการเรียนรู้ของเครื่องจักร

ประเภทของปัญหาการเรียนรู้ของเครื่องจักร

• สำหรับภาพยนตร์และผู้ใช้ที่กำหนดเราต้องทำนายการจัดอันดับโดยเขา/เธอกับภาพยนตร์
• ปัญหาที่กำหนดคือปัญหาคำแนะนำ
• นอกจากนี้ยังสามารถมองว่าเป็นปัญหาการถดถอย

ตัวชี้วัดประสิทธิภาพ

• หมายถึงข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์: https://en.wikipedia.org/wiki/mean_absolute_percentage_error
• ข้อผิดพลาดของรูทหมายถึงสแควร์: https://en.wikipedia.org/wiki/root-mean-square_deviation

วัตถุประสงค์และข้อ จำกัด การเรียนรู้ของเครื่องจักร

• ลด RMSE
• พยายามให้ความสามารถในการตีความบางอย่าง

ห้องสมุดที่ใช้

การติดตั้ง

• ติดตั้ง DateTime โดยใช้คำสั่ง PIP: from datetime import datetime
• ติดตั้ง pandas โดยใช้คำสั่ง pip: import pandas as pd
• ติดตั้ง numpy โดยใช้คำสั่ง pip: import numpy as np
• ติดตั้ง matplotlib โดยใช้คำสั่ง pip: import matplotlib
• ติดตั้ง matplotlib.pyplot โดยใช้คำสั่ง pip: import matplotlib.pyplot as plt
• ติดตั้ง Seoborn โดยใช้ PIP Command: import seaborn as sns
• ติดตั้ง ระบบปฏิบัติการ โดยใช้คำสั่ง PIP: import os
• ติดตั้ง scipy โดยใช้คำสั่ง pip: from scipy import sparse
• ติดตั้ง scipy.sparse โดยใช้คำสั่ง pip: from scipy.sparse import csr_matrix
• ติดตั้ง sklearn.decomposition โดยใช้คำสั่ง pip: from sklearn.decomposition import TruncatedSVD
• ติดตั้ง sklearn.metrics.pairwise โดยใช้คำสั่ง pip: from sklearn.metrics.pairwise import cosine_similarity
• ติดตั้ง แบบสุ่ม โดยใช้คำสั่ง PIP: import random

วิธีการวิ่ง?

 knn_bsl_u         1.0726493739667242
knn_bsl_m          1.072758832653683
svdpp             1.0728491944183447
bsl_algo          1.0730330260516174
xgb_knn_bsl_mu    1.0753229281412784
xgb_all_models     1.075480663561971
first_algo        1.0761851474385373
xgb_bsl           1.0763419061709816
xgb_final         1.0763580984894978
xgb_knn_bsl       1.0763602465199797
Name: rmse, dtype: object

รายงานโครงการ

• ดาวน์โหลดสำหรับรายงาน

ลิงค์ที่มีประโยชน์

• https://www.netflixprize.com/rules.html
• https://www.kaggle.com/netflix-inc/netflix-prize-data
• บล็อก Netflix: https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-tars-part-1-55838468F429 (บล็อกที่ดีมาก)
• Surprise Library: http://surpriselib.com/ (เราใช้หลายรุ่นจากห้องสมุดนี้)
• Surprise Library Doc: http://surprise.readthedocs.io/en/stable/getting_started.html (เราใช้หลายรุ่นจากไลบรารีนี้)
• การติดตั้ง Surprise: https://github.com/nicolashug/surprise#installation
• รายงานการวิจัย: http://courses.ischool.berkeley.edu/i290-dm/s11/secure/a1-koren.pdf (งานส่วนใหญ่ของเราได้รับแรงบันดาลใจจากบทความนี้)
• การสลายตัวของ SVD: https://www.youtube.com/watch?v=P5MLG91AS1C

รายงาน - รายงานโดยละเอียดเกี่ยวกับการวิเคราะห์

การบริจาค

• โคลนที่เก็บนี้:

git clone https://github.com/iamsivab/Movie-Recommendation-Netflix.git

• ตรวจสอบปัญหาใด ๆ จากที่นี่

• ทำการเปลี่ยนแปลงและส่งคำขอดึง

ต้องการความช่วยเหลือ?

- อย่าลังเลที่จะติดต่อฉัน @ [email protected]

ใบอนุญาต

MIT © Sivasubramanian