An open API service indexing awesome lists of open source software.

https://github.com/luisfelipepoma/movies_app

An application that recommends movies based on user preferences, tailoring suggestions to individual tastes by analyzing viewing history and ratings.
https://github.com/luisfelipepoma/movies_app

bert-fine-tuning cnn-model django flask fullstack html ia javascript kaggle-dataset movie-web-app nlp python recomendation-system

Last synced: 23 days ago
JSON representation

An application that recommends movies based on user preferences, tailoring suggestions to individual tastes by analyzing viewing history and ratings.

Awesome Lists containing this project

README

        

# Recomendation_System

## Index

- [Recomendation\_System](#recomendation_system)
- [Index](#index)
- [Objetivo del trabajo](#objetivo-del-trabajo)
- [Nombre de los alumnos participantes](#nombre-de-los-alumnos-participantes)
- [Breve descripción del dataset](#breve-descripción-del-dataset)
- [`movies_metadata.csv`](#movies_metadatacsv)
- [`ratings.csv`](#ratingscsv)
- [`keywords.csv`](#keywordscsv)
- [`credits.csv`](#creditscsv)
- [Conclusiones](#conclusiones)
- [Licencia](#licencia)
---

## Objetivo del trabajo
- Implementar un sistema de recomendacion de peliculas que permita al usuario encontrar filmes de acuerdo a sus intereses y nuevos a explorar usando redes neuronales.
## Nombre de los alumnos participantes
- André Dario Pilco Chiuyare
- Luis Felipe Poma Astete

## Breve descripción del dataset
Los datasets no se pudieron subir al repositorio debido al tamaño limite excedido, por lo cual al ejecutar el notebook se descargara desde Kaggle automaticamente.

### `movies_metadata.csv`
| Columna | Descripción |
|-----------------------|-----------------------------------------------------------------------------------|
| Id | Identificador único para cada película. |
| adult | Indica si la película es para adultos (true/false). |
| belongs_to_collection | Información sobre la colección a la que pertenece la película, si la tiene. |
| budget | Presupuesto de la película en dólares. |
| genres | Géneros asociados con la película. |
| original_language | Idioma original en el que se produjo la película. |
| overview | Breve descripción general de la trama de la película. |
| popularity | Puntuación de popularidad de la película. |
| production_companies | Compañías productoras involucradas en la realización de la película. |
| release_date | Fecha de lanzamiento de la película. |
| revenue | Ingresos generados por la película en taquilla. |
| runtime | Duración de la película en minutos. |
| spoken_languages | Idiomas hablados en la película. |
| status | Estado de la película (por ejemplo, lanzada, en producción, etc.). |
| tagline | Lema o eslogan asociado con la película. |
| vote_average | Promedio de las calificaciones de la película. |
| vote_count | Número total de votos recibidos por la película. |

### `ratings.csv`
| Columna | Descripción |
|-----------|------------------------------------------------------------------------|
| user_id | Identificador único del usuario que proporcionó la calificación. |
| movie_id | Identificador único de la película que recibió la calificación. |
| rating | Calificación otorgada por el usuario a la película (escala del 1 al 5).|
| timestamp | Marca de tiempo que indica cuándo se registró la calificación. |

### `keywords.csv`
| Columna | Descripción |
|----------|-------------------------------------------------------------|
| Id | Identificador único de la película. |
| keywords | Conjunto de palabras clave que describen la película. |

### `credits.csv`
| Columna | Descripción |
|---------|------------------------------------------------------------------------------------|
| Id | Identificador único de la película. |
| crew | Lista de información de cada involucrado en la película (director, escritor, etc.).|
| cast | Lista de información de cada actor y qué personaje interpreta en la película. |

## Conclusiones

- **Recomendaciones basadas en contenido del largometraje (BERT fine-tuning)**: Evaluar la efectividad del modelo BERT fine-tuning en predecir las preferencias del usuario utilizando características del largometraje reveló una capacidad notable para generar recomendaciones personalizadas. Este enfoque aprovecha eficazmente las representaciones semánticas aprendidas, proporcionando recomendaciones relevantes basadas en similitudes conceptuales entre películas. Sin embargo, las limitaciones incluyen la dependencia de la calidad y cantidad de datos de entrenamiento disponibles.

- **Recomendaciones basadas en historial de calificaciones (redes profundas para matriz de factorización)**: El modelo de redes profundas para la matriz de factorización demostró ser efectivo para mejorar las recomendaciones basadas en el historial de calificaciones de los usuarios. Comparado con métodos tradicionales. Sin embargo, la complejidad computacional y el tiempo de entrenamiento pueden ser significativos, aunque los beneficios en precisión y personalización justifican estos costos.

- **Recomendaciones sin información sobre el usuario**: Las estrategias utilizadas para hacer recomendaciones cuando no se dispone de información sobre el usuario incluyeron métodos de recomendación basados en la popularidad. Esta estrategia demostró ser efectiva en términos de ofrecer recomendaciones relevantes y diversas, especialmente en escenarios donde la información del usuario es limitada o no disponible.

## Licencia
Este trabajo está disponible bajo la licencia [CC BY-SA 4.0](https://creativecommons.org/licenses/by-sa/4.0/).