-
Notifications
You must be signed in to change notification settings - Fork 0
/
recommender.py
175 lines (161 loc) · 7.24 KB
/
recommender.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
import flask
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import pairwise_distances
class Engine:
__shared_state = {} # simule un 'singleton'
DIM_PCA = 150
NUM_DIRECTORS = 30
NUM_COUNTRIES = 12
NUM_CLUSTERS = 80
CALIBRATE_LOCALLY = False
def __init__(self):
self.__dict__ = self.__shared_state # technique du BORG
self.__load_data()
if Engine.CALIBRATE_LOCALLY:
self.__create_clusters()
else:
self.__load_categories()
self.__init_columns_for_distance_calc()
def __load_data(self):
source = 'compact-imdb.csv'
self.data = pd.read_csv(source, delimiter='\t', keep_default_na=False)
print(f"DataFrame chargé de dimensions {self.data.shape}")
print(f"Taille en mémoire : {self.data.memory_usage(True, True).sum()}")
self.data.set_index('id', inplace=True)
def __dist_between_keywords(self, id1, id2):
kw1 = set(self.data.loc[id1].plot_keywords.split('|'))
kw2 = set(self.data.loc[id2].plot_keywords.split('|'))
intersection = kw1.intersection(kw2)
n = min(len(kw1), len(kw2))
return (n - len(intersection)) / n
def __load_categories(self):
"""Charge les catégories calibrées au préalable."""
source = 'categories.csv'
self.df_categories = pd.read_csv(source, delimiter='\t')
self.df_categories.set_index('id', inplace=True)
def __create_clusters(self):
"""Calibre le modèle de partitionnement à partir des données brutes."""
# création du tableau de données pour partionnement
cols = [col for col in self.data if col.startswith('genre_')]
cols.extend(['adj_content_rating', 'adj_title_year', 'adj_imdb_score'])
X = self.data[cols]
# ajout des colonnes de mots-clefs
fv = TfidfVectorizer(tokenizer=lambda s: s.split("|"))
plot_kw_freq = fv.fit_transform(self.data['plot_keywords']).todense()
plot_kw_freq_list = Engine.__get_feature_list(fv, 'kw_')
# suppression de la colonne d'absence de mot-clef
key_to_delete = 'kw_'
if key_to_delete in plot_kw_freq_list:
pos = plot_kw_freq_list.index(key_to_delete)
plot_kw_freq = np.delete(plot_kw_freq, pos, axis=1)
plot_kw_freq_list.remove(key_to_delete)
# ACP sur les mots-clefs
pca = PCA(n_components=Engine.DIM_PCA)
plot_kw_pca = pca.fit_transform(plot_kw_freq);
pca_cols = [ 'ACP' + str(c) for c in list(range(0, Engine.DIM_PCA))]
df_kw = pd.DataFrame(plot_kw_pca, columns=pca_cols, index=X.index)
X = pd.concat([X, df_kw], axis=1)
print(f"Taille du tableau de données après ACP : {X.shape}")
# Ajout des réalisateurs et des pays
cv = CountVectorizer(tokenizer=lambda s: s.split("|"),
max_features=Engine.NUM_DIRECTORS)
directors = cv.fit_transform(self.data['director_name']).todense()
dir_list = Engine.__get_feature_list(cv, 'dir_')
df_directors = pd.DataFrame(directors, columns=dir_list, index=X.index)
X = pd.concat([X, df_directors], axis=1)
print(f"Taille du tableau de données avec réalisateurs : {X.shape}")
cv = CountVectorizer(tokenizer=lambda s: s.split("|"),
max_features=Engine.NUM_COUNTRIES)
countries = cv.fit_transform(self.data['country']).todense()
c_list = Engine.__get_feature_list(cv, 'country_')
df_countries = pd.DataFrame(countries, columns=c_list, index=X.index)
X = pd.concat([X, df_countries], axis=1)
print(f"Taille du tableau de données avec pays : {X.shape}")
# Calibration du modèle
model = KMeans(n_clusters=Engine.NUM_CLUSTERS, random_state=42)
self.df_categories = pd.DataFrame(model.fit_predict(X),
index=self.data.index,
columns=['category'])
print(f"Taille du tableau de catégories : {self.df_categories.shape}")
def __make_recs(self, id, n, sort_by, verbose):
cat = self.df_categories.loc[id, 'category']
mask = (self.df_categories['category'] == cat) & (self.data.index != id)
shortlist = self.data.loc[mask, ['movie_title', 'imdb_score']]
title = self.data.loc[id, 'movie_title']
print(f"Taille de la partition de '{title}' : {len(shortlist)+1}")
# Calcul de la distance
dist = lambda movie: self.calc_dist(movie, id, 'cosine')
shortlist['dist'] = shortlist.index.to_series().apply(dist)
# Tri des résultats
sort_asc = False if sort_by == 'imdb_score' else True
shortlist.sort_values(by=sort_by, ascending=sort_asc, inplace=True)
shortlist.rename(columns={'movie_title': 'name'}, inplace=True)
if not(verbose):
shortlist.drop(columns=['dist', 'imdb_score'], inplace=True)
return shortlist.iloc[0:n, :]
def __init_columns_for_distance_calc(self):
# colonnes utilisées pour le calcul de distance
self.numeric_cols = [c for c in self.data if c.startswith('genre_')]
self.numeric_cols.extend(Engine.__get_numeric_cols_for_distance())
self.cat_cols = ['director_name', 'country', 'language']
self.set_cols = ['actor_1_name', 'actor_2_name', 'actor_3_name']
self.keyword_col = 'plot_keywords'
def calc_dist(self, id1, id2, metric):
"""Calcule la distance entre les 2 films spécifiés."""
film1 = self.data.loc[id1]
film2 = self.data.loc[id2]
n = len(self.numeric_cols) + len(self.cat_cols) + 2
v1 = np.zeros(n).reshape(1, n)
v2 = np.zeros(n).reshape(1, n)
# Copie des valeurs des attributs numériques
for i, col in enumerate(self.numeric_cols):
v1[0, i] = film1[col]
v2[0, i] = film2[col]
# Test d'égalité des attributs catégoriels
for i, c in enumerate(self.cat_cols):
v2[0, len(self.numeric_cols)+i] = 0 if film1[c] == film2[c] else 1
# Calcul du nb d'éléments communs aux 2 ensembles
set1 = { film1[col] for col in self.set_cols }
set2 = { film2[col] for col in self.set_cols }
v2[0, n-2] = (len(set1) - len(set1.intersection(set2))) / len(set1)
# Calcul du nombre de mots-clefs communs
v2[0, n-1] = self.__dist_between_keywords(id1, id2)
# Calcul de la distance entre les 2 vecteurs
return pairwise_distances(v1, v2, metric=metric)[0][0]
def make_rec(self, id, n, sort_by, verbose=False):
"""Renvoie `n` recommandations de films similaires au film `id`"""
if (id in self.data.index)\
and (sort_by.lower() in ['dist', 'imdb_score']):
df = self.__make_recs(id, n, sort_by, verbose).reset_index(level=0)
dict = {'_results': df.to_dict(orient='records')}
else:
dict = {'_error': 'unknown movie id'}
return flask.jsonify(dict)
@staticmethod
def __get_numeric_cols_for_distance():
"""Renvoie la liste des colonnes contenant des valeurs numériques."""
cols = ['adj_budget', 'adj_cast_total_facebook_likes',
'adj_director_facebook_likes', 'adj_duration',
'adj_imdb_score', 'adj_title_year', 'adj_num_voted_users',
'adj_content_rating']
return cols
@staticmethod
def __get_feature_list(vectorizer, prefix):
"""Retourne la liste des attributs extraits de l'objet `vectorizer`."""
return [prefix + kw.replace(' ', '_')
for kw in vectorizer.get_feature_names()]
if __name__ == "__main__":
"""Test unitaire simple exécuté en mode script."""
app = flask.Flask(__name__)
with app.app_context():
engine = Engine()
# Recommandations pour Snow White
res = engine.make_rec('tt0029583', 5, 'dist', verbose=True)
print(res.response)
res = engine.make_rec('tt0029583', 5, 'imdb_score', verbose=True)
print(res.response)