Movie Recommendation Netflix

Netflix-Movie-Recrumendation-Semstem

電影反應網絡

業務問題

問題描述

Netflix就是將人們與他們喜歡的電影聯繫起來。為了幫助客戶找到這些電影，他們開發了世界一流的電影推薦系統：Cinematchsm。它的工作是預測某人是否會根據自己喜歡或不喜歡其他電影的方式欣賞電影。 Netflix使用這些預測來根據每個客戶的獨特口味做出個人電影建議。儘管Cinematch做得很好，但總是可以使它變得更好。

現在，對於Netflix尚未嘗試的CineMatch的工作方式有很多有趣的替代方法。文獻中有些描述，有些不是。我們很好奇這些都可以通過做出更好的預測來擊敗Cinematch。因為坦率地說，如果有更好的方法，它可能會對我們的客戶和我們的業務產生重大影響。

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

該項目的目的是開發一個針對Netflix的推薦系統#DataScience。

很少有流行的標籤 -

#DataScience #Netflix #Recommendation System

#Ratings #Movie PRediction #Numpy-Pandas

動機

Netflix提供了許多匿名評級數據，並且預測準確性欄比CineMatch在同一培訓數據集上所做的好10％。 （準確性是對電影的緊密預測評分與隨後的實際評分相匹配的測量。）

關於項目

1. 預測用戶將給他尚未評分的電影給出的評分。
2. 最小化預測和實際等級（RMSE和MAPE）之間的差異

該項目涉及的步驟

1. 某種形式的解釋性。
2. 機器學習問題
3. 數據

數據概述

從以下獲取數據：https：//www.kaggle.com/netflix-inc/netflix-prize-data/data

數據文件：

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

每個文件的第一行[combined_data_1.txt，combined_data_2.txt，combined_data_3.txt，combiend_data_4.txt]包含電影ID，後跟結腸。文件中的每個後續行都對應於客戶的評分及其日期以下格式：

客戶ID，評級，日期

Movieids依次從1到17770年。顧客ID範圍從1到2649429，距離有空白。有480189個用戶。評分在1到5的五顆星（積分）等級上。日期具有格式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 )

將現實世界問題映射到機器學習問題

機器學習問題的類型

• 對於給定的電影和用戶，我們需要預測他/她將給予電影的評分。
• 給定的問題是建議問題
• 它也可以看作是回歸問題

性能指標

• 平均絕對百分比錯誤：https：//en.wikipedia.org/wiki/mean_absolute_percentage_error
• 根平方錯誤：https：//en.wikipedia.org/wiki/root-mean-square_deviation

機器學習目標和約束

• 最小化RMSE。
• 嘗試提供一些解釋性。

使用的庫

安裝

• 使用PIP命令安裝DateTime ： from datetime import datetime
• 使用pip命令安裝大熊貓： import pandas as pd
• 使用pip命令安裝numpy ： import numpy as np
• 使用pip命令安裝matplotlib ： import matplotlib
• 使用pip命令安裝matplotlib.pyplot ： import matplotlib.pyplot as plt
• 使用PIP命令安裝Seaborn ： import seaborn as sns
• 使用PIP命令安裝OS ： import os
• 使用PIP命令安裝Scipy ： from scipy import sparse
• 使用pip命令安裝scipy.sparse ： from scipy.sparse import csr_matrix
• 使用pip命令安裝sklearn.decomposition ： from sklearn.decomposition import TruncatedSVD
• 使用pip命令安裝sklearn.metrics.metrics.metrics.pairwise ： from sklearn.metrics.pairwise import cosine_similarity
• 使用pip命令安裝隨機安裝： import random

如何運行？

 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

項目報告

• 下載報告。

有用的鏈接

• https://www.netflixprize.com/rules.html
• https://www.kaggle.com/netflix-inc/netflix-prize-data
• Netflix博客：https：//medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429（非常好的博客）
• 驚喜庫：http：//surpriselib.com/（我們使用此庫中的許多型號）
• 驚喜庫文檔：http：//surprise.readthedocs.io/en/stable/getting_started.html（我們使用此庫中的許多模型）
• 安裝驚喜：https：//github.com/nicolashug/surprise#installation
• 研究論文：http：//courses.ischool.berkeley.edu/i290-dm/s11/secure/a1-koren.pdf（我們的大多數工作都受到本文的啟發）
• SVD分解：https：//www.youtube.com/watch?v=p5Mlg91as1c

報告 - 分析的詳細報告

貢獻

• 克隆這個存儲庫：

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

• 從這裡查看任何問題。

• 進行更改並發送拉力請求。

需要幫助嗎？

？隨時與我聯繫 @ [email protected]

執照

麻省理工學院©Sivasubramanian