html
एक प्रभावी पुस्तक सिफारिश प्रणाली का निर्माण: चरण-दर-चरण मार्गदर्शिका
विषय सूची
- सहसंबंधों को समझना
- हमारे रेटिंग डेटा को बढ़ाना
- जॉइन को लागू करना
- अतिरिक्त पुस्तक जानकारी शामिल करना
- सिफारिशों का अनुकूलन और क्रमबद्ध करना
- शीर्ष सिफारिशों की समीक्षा
- सिफारिशों को मान्य करना
- अगले कदम
- निष्कर्ष
स्वागत है, दोस्तों! आज की चर्चा में, हम एक मजबूत पुस्तक सिफारिश प्रणाली के निर्माण की जटिलताओं में गहराई से जाएंगे। विशेष रूप से, हम यह पता लगाएंगे कि सकारात्मक सहसंबंधों के आधार पर सर्वश्रेष्ठ पुस्तकें कैसे चुनी जाएं और हमारी सिफारिशों को सटीकता और प्रासंगिकता के लिए कैसे अनुकूलित किया जाए।
सहसंबंधों को समझना
हम एक डेटा सेट से शुरू करते हैं जिसमें 1,587 पुस्तकें शामिल हैं, जिनमें से सभी में पुस्तक "The Painted House" के साथ किसी न किसी स्तर का सहसंबंध दिखता है। मुख्य लक्ष्य उन पुस्तकों की पहचान और चयन करना है जिनमें मजबूत सकारात्मक सहसंबंध हैं ताकि हमारी सिफारिशें उपयोगकर्ताओं के लिए प्रासंगिक और मूल्यवान हों।
हमारे रेटिंग डेटा को बढ़ाना
इसे प्राप्त करने के लिए, हम अपने मौजूदा रेटिंग्स टेबल को परिष्कृत करेंगे। यहाँ हमारा रेटिंग्स टेबल शामिल है:
- औसत रेटिंग: प्रत्येक पुस्तक को मिली औसत रेटिंग।
- रेटिंग गिनती: प्रति पुस्तक कुल रेटिंग्स की संख्या।
- ISBN: प्रत्येक पुस्तक के लिए अद्वितीय पहचानकर्ता।
रेटिंग्स टेबल को हमारे प्रारंभिक परिणामों के साथ जोड़कर, हम हमारे डेटा सेट को महत्वपूर्ण रेटिंग जानकारी से समृद्ध करते हैं, जिससे हमारी सिफारिशों के लिए एक अधिक व्यापक आधार प्रदान होता है।
जॉइन को लागू करना
यहाँ हम जॉइन ऑपरेशन कैसे करते हैं:
- रिजल्ट्स निकालें: "Painted House Similar Books" डेटा सेट से शुरू करें।
- ISBN पर जॉइन करें: इस डेटा सेट को रेटिंग्स टेबल के साथ ISBN को कुंजी के रूप में उपयोग करके मर्ज करें। यह सुनिश्चित करता है कि हम प्रत्येक पुस्तक के साथ सही रेटिंग्स मिलाकर रहे हैं।
1
painted_house_similar_books = painted_house_similar_books.join(ratings, on='ISBN')
जॉइन को निष्पादित करने के बाद, हमारे डेटा सेट में अब सहसंबंध स्कोर, पुस्तक रेटिंग्स, और रेटिंग गिनतियाँ शामिल हैं।
अतिरिक्त पुस्तक जानकारी शामिल करना
डेटा सेट को और अधिक समृद्ध करने के लिए, हम निम्नलिखित विवरण जोड़ेंगे:
- पुस्तक का शीर्षक
- पुस्तक का लेखक
चूंकि ISBN को प्रारंभ में हमारी पुस्तक जानकारी टेबल में कुंजी के रूप में सेट नहीं किया गया है, हम पहले इसे इंडेक्स के रूप में सेट करेंगे ताकि जॉइन को सुविधाजनक बनाया जा सके:
12
bx_book.set_index('ISBN', inplace=True)painted_house_similar_books = painted_house_similar_books.join(bx_book[['Book Title', 'Book Author']], on='ISBN')
सिफारिशों का अनुकूलन और क्रमबद्ध करना
समृद्ध डेटा सेट के साथ, अगला कदम शीर्ष सिफारिशों को उजागर करने के लिए पुस्तकों को क्रमबद्ध करना है:
- सहसंबंध और रेटिंग गिनती के द्वारा क्रमबद्ध करें: उच्च सहसंबंध स्कोर और अधिक रेटिंग्स वाली पुस्तकों को प्राथमिकता दें।
- घटते क्रम में: सुनिश्चित करें कि दोनों सहसंबंध और रेटिंग गिनतियाँ घटते क्रम में क्रमबद्ध हैं ताकि सबसे प्रासंगिक पुस्तकें उभर कर आएं।
12
painted_house_similar_books_sorted = painted_house_similar_books.sort_values(by=['correlation', 'rating_count'], ascending=[False, False])top_10_recommendations = painted_house_similar_books_sorted.head(10)
शीर्ष सिफारिशों की समीक्षा
हमारे विश्लेषण के आधार पर शीर्ष 10 सिफारिश की गई पुस्तकें निम्नलिखित हैं:
- The Painted House जोन ग्रिशम द्वारा
- हैरी पॉटर सीरीज जे.के. रोलिंग द्वारा
- स्टीफन किंग - विभिन्न शीर्षक
- टॉम क्लैंसी - विभिन्न शीर्षक
- आईरिस जोहansen - विभिन्न शीर्षक
- लिसा गार्डनर - विभिन्न शीर्षक
- The Angel of Darkness
- Harry Potter and the Prisoner of Azkaban
- Heart of Atlantis
- Fictional Thriller Titles
ये सिफारिशें थ्रिलर, मिस्ट्री, सस्पेंस, और फिक्शन जैसे शैलियों के साथ अच्छी तरह मेल खाती हैं, जो हमारी सिफारिश प्रणाली की प्रभावशीलता को मान्य करती हैं।
सिफारिशों को मान्य करना
हमारी प्रणाली की सटीकता सुनिश्चित करने के लिए:
- शैली की सुसंगतता: "The Angel of Darkness" और "Harry Potter and the Prisoner of Azkaban" जैसी पुस्तकें क्रमशः थ्रिलर और मिस्ट्री शैलियों के भीतर फिट बैठती हैं।
- लेखक की समानता: सिफारिश किए गए लेखक, जैसे स्टीफन किंग और टॉम क्लैंसी, जोन ग्रिशम के साथ शैलीगत और विषयगत समानताएँ साझा करते हैं, जिससे सिफारिश की प्रासंगिकता बढ़ती है।
अगले कदम
हालांकि हमारी वर्तमान प्रणाली मौजूदा डेटा सेट के साथ अच्छी तरह काम करती है, यह विशेष रूप से इस डेटा के लिए तैयार की गई है। इसकी प्रयोज्यता का विस्तार करने के लिए:
- कोर अवधारणाओं को समझें: सिफारिश एल्गोरिद्म के अंतर्निहित सिद्धांतों को समझें।
- कस्टम कोड लागू करें: अलग-अलग डेटा सेट और आवश्यकताओं के अनुरूप कोड को अनुकूलित और विस्तारित करें।
- होमवर्क असाइनमेंट: MovieLens डेटा सेट का उपयोग करके एक सिफारिश प्रणाली बनाएं। डेटासेट और अतिरिक्त संसाधनों के लिए Analytics India Magazine पर जाएँ।
निष्कर्ष
हमारी सिफारिश प्रणाली सकारात्मक सहसंबंधों और मजबूत रेटिंग मीट्रिक के आधार पर पुस्तकों को प्रभावी ढंग से पहचानती और क्रमबद्ध करती है। इन चरणों का पालन करके, आप विभिन्न डेटा सेट और उपयोगकर्ता प्राथमिकताओं के अनुरूप एक व्यक्तिगत और विश्वसनीय सिफारिश इंजन बना सकते हैं।
हमारे अगले वीडियो के लिए जुड़े रहें, जहां हम अतिरिक्त सुविधाओं और अनुकूलनों का अन्वेषण करेंगे ताकि हमारी सिफारिश प्रणाली को और अधिक बेहतर बनाया जा सके। देखने के लिए धन्यवाद, और आपका दिन शुभ हो!