Este projeto implementa um Sistema de Recomendação de Filmes utilizando Machine Learning. O algoritmo é baseado em dados de avaliações de usuários e informações de filmes, recomendando títulos similares com base nas preferências de cada usuário. Sistemas de recomendação, como este, são amplamente usados por plataformas como Netflix e Amazon Prime Video para melhorar a experiência do usuário, oferecendo sugestões personalizadas.
-
Clone o repositório:
git clone https://github.com/usuario/recomendacao-filmes.git -
Navegue até a pasta do projeto:
cd recomendacao-filmes -
Instale as dependências utilizando o gerenciador de pacotes pip:
pip install -r requirements.txt -
Baixe os arquivos de dados utilizados no projeto:
- Filmes: Movies Metadata
- Avaliações:
ratings.csv
Coloque esses arquivos no diretório raiz do projeto.
As principais bibliotecas que você precisará instalar estão listadas no arquivo requirements.txt. As mais importantes incluem:
- Pandas: para manipulação e análise dos dados.
- Numpy: para operações matemáticas e funções de array.
- Scikit-learn: para implementação do algoritmo de recomendação (KNN).
- Scipy: para trabalhar com matrizes esparsas (sparse matrices).
Os dados utilizados neste projeto vêm de um conjunto de filmes e avaliações:
- movies_metadata.csv: contém informações sobre os filmes, como título, idioma e número de avaliações.
- ratings.csv: contém as avaliações dos usuários para diversos filmes.
Primeiro, os arquivos CSV são carregados e as colunas irrelevantes são descartadas. Os valores nulos são removidos para garantir que apenas dados completos sejam usados no modelo.
import pandas as pd
filmes = pd.read_csv('movies_metadata.csv')
filmes = filmes[['id', 'original_title', 'original_language', 'vote_count']].dropna()
avaliacoes = pd.read_csv('ratings.csv')
avaliacoes = avaliacoes[['userId', 'movieId', 'rating']].drop_duplicates()A matriz esparsa (csr_matrix) é criada para economizar espaço de memória, considerando que a maioria dos valores serão zeros (ou seja, filmes não avaliados por muitos usuários).
from scipy.sparse import csr_matrix
filmes_pivot = avaliacoes_e_filmes.pivot_table(columns="ID_USUARIO", index="TITULO")
filmes_sparse = csr_matrix(filmes_pivot.fillna(0))Utilizamos o Nearest Neighbors (KNN) para encontrar filmes similares com base nas avaliações de usuários. Este algoritmo mede a distância entre as características dos filmes e encontra os mais próximos.
from sklearn.neighbors import NearestNeighbors
modelo = NearestNeighbors(algorithm='brute')
modelo.fit(filmes_sparse)Após o treinamento do modelo, podemos gerar recomendações para qualquer filme. Por exemplo, se quisermos recomendações para o filme "127 Hours":
distancia, sugestoes = modelo.kneighbors(filmes_pivot.filter(items=['127 Hours']))
for i in range(len(sugestoes)):
print(filmes_pivot.index[sugestoes[i]])Sistemas de recomendação são essenciais para melhorar a experiência do usuário em plataformas de streaming ou qualquer serviço que ofereça uma grande quantidade de opções. Ao fornecer sugestões personalizadas, o algoritmo ajuda a aumentar o engajamento e a satisfação do usuário.
Empresas como Netflix, Amazon, e Spotify utilizam algoritmos semelhantes para sugerir novos filmes, séries ou músicas, com base no histórico de consumo dos usuários. Esse tipo de sistema também pode ser aplicado a e-commerce, recomendando produtos de acordo com os interesses do cliente.
Após configurar o ambiente e garantir que os dados estão disponíveis:
-
Execute o script Python:
python recomendacao_filmes.py -
Adicione um filme para receber recomendações: Edite o código ou insira diretamente o título de um filme na linha:
distancia, sugestoes = modelo.kneighbors(filmes_pivot.filter(items=['FILME']))
-
Visualize as sugestões. O sistema retornará os filmes mais similares com base no histórico de avaliações dos usuários.
Agora, o sistema estará pronto para fornecer recomendações personalizadas com base nos dados fornecidos.