CineWatch

Inhaltsbasierte Filmempfehlung mit TF-IDF und Kosinus-Ähnlichkeit.

Maschinell übersetzt · Original auf Englisch · Original lesen

Stack
Python, Flask, pandas, scikit-learn, NumPy, jQuery, Bootstrap 5
Repo
github.com/devnxh/movie-recommender-v2
Demo
movie-recommender-v2-htgt.onrender.com/
Beweisstück D · CineWatch

CineWatch ist eine Flask-Webanwendung, die Filme empfiehlt, die einem ausgewählten Film ähneln.

So funktioniert es #

  1. Genres, Schlagwörter und Inhaltsangabe jedes Films werden zu einem Text zusammengeführt.
  2. scikit-learn wandelt diesen Text in TF-IDF-Vektoren um, begrenzt auf 5.000 Merkmale.
  3. Der gewählte Film wird über die Kosinus-Ähnlichkeit mit allen anderen verglichen. Die ähnlichsten Filme werden zurückgegeben.

Die Daten stammen aus dem TMDB-Filmdatensatz (v11). Die berechnete TF-IDF-Matrix wird als dünn besetzte Matrix zwischengespeichert und nicht bei jedem Start neu erzeugt.

Funktionen #

  • Suche mit Vorschlägen.
  • Filter nach Genre.
  • Eine Merkliste.
  • Filmdetails aus der TMDB-API, wenn ein API-Schlüssel gesetzt ist: Besetzung, Regie, Altersfreigabe und Trailer.

Betrieb im kostenlosen Tarif #

Die gehostete Demo auf Render lädt eine Stichprobe von 1.000 Filmen statt des vollständigen Datensatzes, damit der Arbeitsspeicher des kostenlosen Tarifs ausreicht.

Was ich gelernt habe #

Inhaltsbasierte Filterung versteht nur, worum es in einem Film geht, nicht, was Leute, denen er gefiel, als Nächstes angesehen haben. Die Ähnlichkeit von Genres, Schlagwörtern und Handlung über TF-IDF liefert sinnvolle Nachbarn, kann aber nicht so überraschen wie kollaborative Signale, und ein Film mit dürftiger Inhaltsangabe bekommt dürftige Empfehlungen. Das war eine klare Lehre darüber, die Methode an das anzupassen, was die Daten tatsächlich hergeben – und wo ein inhaltsbasierter Ansatz an seine Grenzen stößt.

Inhalt