Python ile Film Tavsiye Sistemi Geliştirme

Giriş

Günümüzde film izleme alışkanlıkları hızla değişiyor. Çeşitli platformlar üzerinden binlerce film ve diziye ulaşabiliyoruz. Ancak, bu kadar fazla içeriğin arasında kaybolmamak ve izlenecek en iyi filmleri bulmak için bir film tavsiye sistemine ihtiyacımız var. Bu yazıda, Python kullanarak basit ama etkili bir film tavsiye sistemi geliştirmeyi adım adım ele alacağız. Hem yeni başlayanlar hem de deneyimli geliştiriciler için faydalı olacağını düşündüğüm bu çalışmamız, veri analizi, makine öğrenmesi ve kullanıcı etkileşimi konularını kapsayacak.

Film tavsiye sistemleri, temel olarak iki ana yaklaşım üzerine inşa edilir: içerik tabanlı ve kullanıcı tabanlı filtreleme. İçerik tabanlı filtreleme, bir kullanıcının daha önce beğendiği filmleri analiz ederek, benzer özelliklere sahip yeni filmleri önerirken, kullanıcı tabanlı filtreleme, benzer zevklere sahip diğer kullanıcıların tercihlerini dikkate alır. Bu iki yaklaşımı birbirine entegre ederek, daha doğru ve kişiselleştirilmiş öneriler sunabilen hibrit sistemler de geliştirmek mümkündür.

Uygulamamızda Python’un güçlü kütüphanelerinden faydalanacağız. Bu sistemde, Pandas kütüphanesini verileri işlemek için, NumPy’yi sayısal hesaplamalar için ve Scikit-learn’i ise makine öğrenmesi modelimizi oluşturmak için kullanacağız. Geliştirilecek sistem, basit arayüzü ve yapı taşları ile hem öğrenme sürecinde hem de proje bazında kullanıcılar için büyük bir yardımcı olacaktır.

Proje Kurulumu ve Gerekli Kütüphaneler

Python ortamınızı hazırlamak için öncelikle gerekli kütüphaneleri yüklemeniz gerekiyor. Aşağıdaki adımları izleyerek projemizi başlatabilirsiniz:

1. Python’un en son sürümünü yükleyin: Python’un en güncel sürümünü Python’un resmi web sitesinden indirip yükleyebilirsiniz.
2. Pip kullanarak gerekli kütüphaneleri yükleyin: Projemizde ihtiyaç duyacağımız Pandas, NumPy ve Scikit-learn kütüphanelerini yüklemek için terminalinizi açın ve aşağıdaki komutları çalıştırın:

pip install pandas numpy scikit-learn

Artık gerekli ortamı oluşturduk ve elimizdeki veri setini indirerek projeye başlayabiliriz. Veri setini indirdikten sonra, film tavsiye sistemimizin temelini oluşturacak veri analizini gerçekleştirmeliyiz.

Veri Analizi ve Ön İşleme

Film tavsiye sistemi geliştirmek için öncelikle kullanacağımız veri setini anlamamız ve verilerin temizlenmesi gerekiyor. Veri setimizde kullanıcıların puan verdiği filmlerin yanı sıra film bilgileri de bulunuyor. Pandas kütüphanesi sayesinde bu verileri kolayca inceleyebiliriz. Aşağıda, veriyi nasıl yükleyeceğimiz ve inceleyeceğimiz hakkında basit bir örnek bulabilirsiniz:

import pandas as pd

# Veri setini yükleyelim
movies = pd.read_csv('movies.csv')
ratings = pd.read_csv('ratings.csv')

# İlk beş satırı inceleyelim
print(movies.head())
print(ratings.head())

Yukarıdaki kod, film isimleri, türleri, kullanıcı puanları ve kullanıcıların hangi filmlere oy verdikleri gibi bilgileri içeren veri setlerinin ilk beş satırını görüntüler. Bu aşamada verilerin yapısını anlamak, eksik verileri tespit etmek ve gerektiğinde verileri temizlemek önemlidir.

Örneğin, eksik değerleri tespit etmek için şu komutu kullanabiliriz:

print(movies.isnull().sum())

Bu işlem, her sütundaki eksik değerlerin sayısını gösterir. Eğer eksik değer tespit ediyorsanız, bunları ya ortalama veya medyan gibi değerlerle doldurabilir ya da bu kayıtları veri setinden çıkararak verimizin kalitesini artırabilirsiniz.

Film Tavsiye Modelinin Oluşturulması

Veri setimizi hazırladıktan sonra, artık film tavsiye modelimizi oluşturma aşamasına geçebiliriz. İşe, kullanıcıların göz önünde bulundurduğu film puanlarını kullanarak bir kullanıcı tabanlı filtreleme modeli geliştirmekle başlayacağız. Scikit-learn kütüphanesi sayesinde bu aşamada işimizi kolaylaştıran birçok araç ve fonksiyon bulacağız.

Aşağıdaki kod parçasında, kullanıcı benzerliklerini hesaplamak için Cosine benzerliğini kullanarak bir tavsiye modeli oluşturacağız:

from sklearn.metrics.pairwise import cosine_similarity

user_movie_matrix = ratings.pivot(index='userId', columns='movieId', values='rating').fillna(0)

similarity_matrix = cosine_similarity(user_movie_matrix)

Yukarıdaki kod, kullanıcıları film puanlarına göre bir matris ile ifade eder ve kullanıcı benzerliklerini hesaplar. Bu benzerlik matrisini kullanarak, kullanıcılara en çok benzerlik gösteren diğer kullanıcıların tavsiyelerini sunabiliriz. Ancak, sistemimizi daha fazla geliştirerek, öneri sayısının hassasiyetini artırmak mümkün.

Öneri Sisteminin Uygulanması

Modelimizi oluşturduktan sonra, artık kullanıcıların film önerileri almasını sağlamak için bir fonksiyon geliştirebiliriz. Aşağıda, kullanıcıların beğenebileceği filmleri sıralayarak öneren basit bir fonksiyon bulabilirsiniz:

def get_movie_recommendations(user_id, num_recommendations=10):
    user_idx = user_movie_matrix.index.tolist().index(user_id)
    similar_users = similarity_matrix[user_idx]  # Kullanıcı benzerliği
    similar_users_idx = similar_users.argsort()[-num_recommendations:][::-1]  # Benzer kullanıcıların indeksleri
    suggested_movies = ratings.iloc[similar_users_idx]['movieId'].values  # Tavsiye edilen filmler
    return suggested_movies

Bu fonksiyon, belirli bir kullanıcının benzer kullanıcılarından tavsiyeler alabilmesini sağlar. Kullanıcı ID’si ve istenen öneri sayısını parametre olarak alır ve önerilen film ID’lerini döndürür. Ferah bir arayüz tasarımıyla kullanıcıların bu önerileri görebilmesi mümkündür.

Sonuç ve Geliştirme Fırsatları

Python ile basit bir film tavsiye sistemi geliştirerek, veri analizi ve makine öğrenmesi uygulamalarını birleştirmiş olduk. Gerçek dünya uygulamalarında bu tür sistemler, kullanıcı deneyimini önemli ölçüde artırmakta ve kullanıcıların içerik bulmasını kolaylaştırmaktadır. Analiz ve modelleme aşamalarında yaptığımız adımlarla daha etkili bir sistem geliştirmiş olduk.

Gelecekte, bu tavsiye sistemi üzerinde daha da fazla geliştirme yaparak, içerik tabanlı öneriler ekleyebilir, hibrit bir sistem oluşturabilir ve kullanıcı geri bildirimlerini analiz ederek sistemimizi geliştirebiliriz. Ek olarak, derin öğrenme yöntemleri kullanarak daha karmaşık ve hassas öneri sistemleri geliştirmek de mümkündür.

Sonuç olarak, bu yazıda yer alan adımlar ve örneklerle öğrendik ki, Python ile film tavsiye sistemleri geliştirmek aslında oldukça eğlenceli ve öğretici bir süreçtir. Herkesin kendi projelerini geliştirirken deneyip yenilikler eklemesi mutlaka faydalı olacaktır.