Système de recommandations personnalisé via Neo4J
Ce projet vise à développer un système dynamique de recommandation de films en exploitant la puissance de la base de données en graphe Neo4j. Grâce à une modélisation des données basée sur des graphes et à des techniques de filtrage avancées, il offre des suggestions de films en temps réel et adaptées aux préférences des utilisateurs. En intégrant le filtrage basé sur le contenu, le filtrage collaboratif et l’analyse visuelle des données via la reconnaissance d’images, ce système repousse les limites des méthodes de recommandation traditionnelles pour fournir des recommandations hautement pertinentes et personnalisées.
NEO4JCYPHER-QUERYGRAPH-DATABASEGOOGLE VISIONNLPPYTHON-SCRIPTING
7/21/20241 min lire
Fonctionnalités principales
Recommandations en temps réel : Le modèle de graphes de Neo4j garantit des recommandations instantanées et constamment mises à jour.
Analyse basée sur les graphes : Exploite les relations entre les films, les utilisateurs, les genres, les mots-clés, et bien plus encore, pour une synthèse approfondie des données.
Suggestions personnalisées : Adapte les recommandations en fonction des préférences des utilisateurs et de leurs interactions passées.
Extraction de mots-clés : Utilise des techniques de traitement du langage naturel (NLP) pour analyser les synopsis des films et enrichir les recommandations par des connexions thématiques.
Reconnaissance du contenu visuel : Intègre l’API Google Vision pour analyser les affiches de films, ajoutant des métadonnées visuelles aux recommandations.
Stack Technologique
Base de données : Neo4j, pour la modélisation des données en graphe et l'exécution des requêtes.
Langage de programmation : Python, utilisé pour le prétraitement des données et les tâches d’intégration.
Traitement du langage naturel : Bibliothèque NLTK, utilisée pour l'extraction de mots-clés à partir des descriptions de films.
Reconnaissance d'images : API Google Vision, permettant l’extraction de labels descriptifs à partir des affiches de films.
Algorithmes de recommandation : Implémentation des filtres collaboratifs, des filtres basés sur le contenu et des métriques de similarité (Jaccard, Cosinus, Pearson).
