/MoviePJT

Primary LanguageVue

핫 바나나s


한 줄 소개

커뮤니티적 요소를 포함한 영화 추천 사이트


기획 배경

  1. 수 많은 영화 중 어느 영화를 시청할 지 추천 or 소개를 해주는 서비스의 필요를 느낌
  2. 영화 시청 뿐만 아니라 관련된 정보 혹은 이야기를 공유할 공간의 필요성
  3. 타인의 주관적인 영화 평가에 대한 궁금증

기획 의도

  1. 핫 바나나s 는 로튼 토마토와 같이 유저의 평점과 견해가 주를 이루는 사이트를 만들고자 개발을 기획하게 되었습니다.

서비스 특징

  1. 검증된 유저를 판단하기 위해 포인트 제도를 도입하여, 사용자가 읽는 리뷰의 작성자에 대한 신뢰성을 향상시켰습니다.
  2. 아이템 기반 필터링을 통해 사용자가 더 흥미를 느낄 수 있는 영화를 소개할 수 있도록 하였습니다.

팀 소개

팀 정보

곽동현, 이혜진

역할

  • 곽동현 (BACK-END)
    • Django API Server, 영화 추천 Algorithm 개발
    • 데이터베이스 구축
  • 이혜진 (FRONT-END)
    • Vue를 이용한 서버(Django, API)와 클라이언트간 통신, 데이터 관리
    • 핵심 UI 개발

프로젝트 진행기간

  • 2021.11.17 ~ 2021.11.26 (10일)

주요 협업 툴

  • MatterMost
  • Notion

대체 텍스트


UI 소개

메인 페이지

대체 텍스트



유저 디테일 페이지

대체 텍스트

커뮤니티 페이지

대체 텍스트

영화 추천 알고리즘 관련 코드

기본 설정

plt.show()
set_matplotlib_formats('retina')
mpl.rc('font', family='NanumGothic') # 폰트 설정
mpl.rc('axes', unicode_minus=False) # 유니코드에서 음수 부호 설정

# 차트 스타일 설정
sns.set(font="NanumGothic", rc={"axes.unicode_minus":False}, style='darkgrid')
plt.rc("figure", figsize=(10,8))
warnings.filterwarnings("ignore")

movies = pd.read_csv("movies_popular_genre.csv")

col_lst = [ 'movie_id','title', 'genre_ids', 'vote_average', 'vote_count', 'popularity', 'poster_path','overview',]
movies_df = movies[col_lst]
pd.reset_option("max_colwidth")

movies_df['genre_ids'].apply(literal_eval)[0]
movies_df['genres_literal'] = movies_df['genre_ids'].apply(lambda x : ('').join(x))

count_vect = CountVectorizer(min_df=0, ngram_range=(1,2))
genre_mat = count_vect.fit_transform(movies_df['genres_literal'])
genre_sim = cosine_similarity(genre_mat, genre_mat)

유사도 조사

# 검색 데이터 유사도 조사
def search_sim_movie(df,sim_matrix, top_n=13):
    title_index = df.tail(n=1).index.values[0]
   
    df["similarity"] = sim_matrix[title_index, :].reshape(-1,1)
    temp = df.sort_values(by="similarity", ascending=False)
    # print(temp[:10])
    final_index = temp.index.values[ : top_n]

    return df.iloc[final_index]


# 검색 데이터 분석
@api_view(['GET'])
@permission_classes([AllowAny])
def search(request,what,searchvalue):

    if request.method== 'GET':
        if what == 'title':
            search = [searchvalue]*(len(col_lst)+2)
            search_df = movies_df.append(pd.Series(search, index=movies_df.columns), ignore_index=True)

            search_mat = count_vect.fit_transform(search_df['title'])
            search_sim = cosine_similarity(search_mat, search_mat)
            
            js = search_sim_movie(search_df,search_sim,13).to_json(orient = 'records', force_ascii=False)
            js_dic = literal_eval(js)
            print(js_dic)
            for i in range(len(js_dic)):
                js_dic[i]['poster_path'] = js_dic[i]['poster_path'][1:]
            
            return Response(js_dic[1:])
        
        
# 영화 장르 데이터 유사도 조사
def find_sim_movie(df, sim_matrix, title_name, top_n=12):
 
    # 입력한 영화의 index
    title_movie = df[df['title'] == title_name]
    # print(title_movie)
    title_index = title_movie.index.values
  
   
    # # 입력한 영화의 유사도 데이터 프레임 추가
    df["similarity"] = sim_matrix[title_index, :].reshape(-1,1)
    
    # # 유사도 내림차순 정렬 후 상위 index 추출
    temp = df.sort_values(by="similarity", ascending=False)
    final_index = temp.index.values[ : top_n]

    return df.iloc[final_index]

프리미엄 영화 추천 기능

def premium_movie_finder(df, sim_matrix, title_name, top_n=10):
    
    # 입력한 영화의 index
    title_movie = df[df['title'] == title_name]
    title_index = title_movie.index.values
    
    # 입력한 영화의 유사도 데이터 프레임 추가
    df["similarity"] = sim_matrix[title_index, :].reshape(-1,1)
        
    # 유사도와 가중 평점순으로 높은 상위 index 추출 (자기 자신 제거)
    temp = df.sort_values(by=["similarity", "weighted_vote"], ascending=False)
    temp = temp[temp.index.values != title_index]
    
    final_index = temp.index.values[:top_n]
    
    return df.iloc[final_index] 

@api_view(['POST'])
def premiumrecmovie(request):
    # print(request.data)
    movie = Movie.objects.filter(movie_id=request.data['movieId'])
    
    targetmovie = movie.values()[0]['title']
    # print(premium_movie_finder(movies_df,genre_sim,targetmovie,10))
    js = premium_movie_finder(movies_df,genre_sim,targetmovie,10).to_json(orient = 'records', force_ascii=False)
    js_dic = literal_eval(js)
    
    return Response(js_dic)

장르별 영화 추천

# 장르 유사도가 높은 영화 추천.
@api_view(['POST'])
@permission_classes([AllowAny])
def recmovie(request):
    request.data['movieId']
    movies = Movie.objects.filter(movie_id=request.data['movieId'])
    targetmovie = movies.values()[0]['title']
    # print(movies)
    # print(targetmovie)
    js = find_sim_movie(movies_df,genre_sim,targetmovie,4).to_json(orient = 'records', force_ascii=False)
    js_dic = literal_eval(js)
    for i in range(len(js_dic)):
        js_dic[i]['poster_path'] = js_dic[i]['poster_path'][1:] 
    
    return Response(js_dic[1:])

평점 갯수를 가중치로한 평점 칼럼 추가

percentile = 0.6
m = movies_df['vote_count'].quantile(percentile)
C = movies_df['vote_average'].mean()

def weighted_vote_average(record):
    v = record['vote_count']
    R = record['vote_average']
    
    return ( (v/(v+m)) * R ) + ( (m/(m+v)) * C )   

movies_df['weighted_vote'] = movies_df.apply(weighted_vote_average, axis=1)

temp = movies_df[['title','vote_average','vote_count','weighted_vote']]
temp.sort_values('weighted_vote', ascending=False)[:10]

개발 환경

  • Python

    • python
    • django
    • sqlite3

  • javascript

    • Vue.js

  • 사용 라이브러리

    • bootstrap
    • bootstrap-vue
    • font-awesome
    • pandas

  • 프로젝트 작동법

    • django → DB파일을 함께 올림
    $ cd final-pjt-back
$ python -m venv venv
$ source venv/Script/Activate
$ pip install -r requirements.txt
$ python manage.py runserver
    • vue
    $ cd final-pjt-front
$ npm i
$ npm run serve