code_Machine-learning

프로젝트 머신러닝 코드 repo

추천 과정

1. 처음 뮤지컬을 접한 사용자

1) 사용자가 tag 3개를 선택하면 전체 데이터(train)에서 필터링된 데이터 보여줌(50개)\ → 최신순으로 50개 보여줌

2) 필터링된 50개의 데이터(train) 중에 사용자가 작품을 선택하면 해당 작품과 유사도가 높은 현재 상영중인 작품(present) 추천\ → 즉, train데이터와 present데이터 줄거리 간의 유사도를 측정해서 추천

2. 뮤지컬을 한 번 이상 본 사용자

1) [랭킹순으로 유명한 작품 or 검색을 통한 작품]을 먼저 보여주고, 사용자가 봤던 작품 하나를 선택

2) 선택한 작품과 유사도가 높은 현재 상영중인 작품(present) 추천\ → 즉, train데이터와 present데이터 줄거리 간의 유사도를 측정해서 추천

파일명

DATA

• train_data\ Data0_train.csv : 원본 학습 데이터\ Data1_cleaned_data.csv : train.csv의 특수문자 및 HTML 엔터티 코드 제거한 데이터\ Data2_past_vector.csv : 날짜 처리 및 시놉시스 벡터 컬럼 추가된 데이터\ Data3_vector_tag.csv : Data2_past_vector.csv에 tag 3개 붙인 데이터\ Data4_train_nan.csv : tag가 없는 값 모두 삭제, synopsis_numpy, synopsis_numpy_scale 컬럼 추가된 데이터\ Data5_train_final.csv : 'poster_url', 'date', 'actors'제외 전처리 + 중복 제거 = 총 8883rows → 최종데이터!!

• present_data\ Data0_present.csv : 원본 학습 데이터\ Data1_cleaned_present.csv : train.csv의 특수문자 및 HTML 엔터티 코드 제거한 데이터\ Data2_present_vector.csv : 날짜 처리 및 시놉시스 벡터 컬럼 추가된 데이터\ Data3_present_tag.csv : Data2_past_vector.csv에 tag 3개 붙인 데이터\ Data4_present_nan.csv : tag가 없는 값 모두 삭제, synopsis_numpy, synopsis_numpy_scale 컬럼 추가된 데이터\ Data4.1_present_final.csv : 'poster_url', 'date', 'actors'제외 전처리 → 최종데이터!!

DATA_PREPROCESSING

• train_data_preprocessing\ train_synopsis_vector.ipynb : 날짜 처리 및 시놉시스 벡터화 코드\ train_tag.ipynb : tag 3개 붙이는 코드\ train_nan.ipynb : tag, 날짜처리, tag가 없는 값 모두 삭제, synopsis_numpy, synopsis_numpy_scale 컬럼 추가

• present_data_preprocessing\ present_synopsis_vector.ipynb : 날짜 처리 및 시놉시스 벡터화 코드\ present_tag.ipynb : tag 3개 붙이는 코드\ present_nan.ipynb : tag, 날짜처리, tag가 없는 값 모두 삭제, synopsis_numpy, synopsis_numpy_scale 컬럼 추가

MODEL

• model_test\ Knn_musical_v2.ipynb\ SVD_musical.ipynb\ NMF_musical.ipynb → 최종 모델

  branch

  0.1.1(민정) → train 데이터 벡터화, tag \ 0.1.2(수빈) → present 데이터 벡터화, tag / Knn_musical_v1 / fastapi \ 0.1.3(민정) → model_test / SVD_musical, Knn_musical_v2, NMF_musical / 데이터 전처리(중복제거) \ 0.2.0(하현) → data_db