콘텐츠 기반 필터링

# 콘텐츠 기반 영화 추천 시스템
# pip install scikit-learn pandas numpy

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 샘플 영화 데이터
movies = pd.DataFrame({
    'movie_id': [1, 2, 3, 4, 5],
    'title': ['인셉션', '인터스텔라', '다크나이트', '어벤져스', '아이언맨'],
    'genres': ['SF 액션 스릴러', 'SF 드라마 우주', '액션 범죄 스릴러', 'SF 액션 히어로', 'SF 액션 히어로'],
    'description': [
        '꿈 속의 꿈 레벨 잠재의식 추출 미션',
        '웜홀 블랙홀 시간팽창 인류구원 우주탐사',
        '고담시티 조커 배트맨 범죄와의 전쟁',
        '어벤져스 어셈블 히어로팀 지구방위',
        '토니스타크 아크리액터 슈트 히어로탄생'
    ]
})

# 장르와 설명을 결합하여 콘텐츠 특징 생성
movies['content'] = movies['genres'] + ' ' + movies['description']

# TF-IDF 벡터화
tfidf = TfidfVectorizer(max_features=100)
tfidf_matrix = tfidf.fit_transform(movies['content'])

# 아이템 간 유사도 행렬 계산
similarity_matrix = cosine_similarity(tfidf_matrix, tfidf_matrix)

def recommend_movies(movie_title, top_n=3):
    """특정 영화와 유사한 영화 추천"""
    # 영화 인덱스 찾기
    idx = movies[movies['title'] == movie_title].index[0]

    # 해당 영화와 다른 영화들의 유사도
    sim_scores = list(enumerate(similarity_matrix[idx]))
    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

    # 자기 자신 제외하고 top_n개 추천
    sim_scores = sim_scores[1:top_n+1]

    recommendations = []
    for i, score in sim_scores:
        recommendations.append({
            'title': movies.iloc[i]['title'],
            'similarity': round(score, 3)
        })

    return recommendations

# 테스트: 인셉션과 유사한 영화 추천
print("'인셉션'을 좋아한다면:")
for rec in recommend_movies('인셉션'):
    print(f"  - {rec['title']} (유사도: {rec['similarity']})")

# 시맨틱 임베딩 기반 추천
# pip install sentence-transformers numpy

from sentence_transformers import SentenceTransformer
import numpy as np

# 다국어 임베딩 모델 로드
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# 아이템 설명
items = [
    {"id": 1, "name": "Python 입문서", "desc": "초보자를 위한 파이썬 프로그래밍 기초"},
    {"id": 2, "name": "Django 가이드", "desc": "파이썬 웹 프레임워크 장고 실무 튜토리얼"},
    {"id": 3, "name": "React 실전", "desc": "자바스크립트 리액트 프론트엔드 개발"},
    {"id": 4, "name": "머신러닝 기초", "desc": "파이썬으로 배우는 인공지능 알고리즘"},
    {"id": 5, "name": "SQL 마스터", "desc": "데이터베이스 쿼리 작성과 최적화"},
]

# 아이템 임베딩 생성
descriptions = [item["desc"] for item in items]
embeddings = model.encode(descriptions)

def find_similar_items(query, top_k=3):
    """검색 쿼리와 유사한 아이템 찾기"""
    query_embedding = model.encode([query])

    # 코사인 유사도 계산
    similarities = np.dot(embeddings, query_embedding.T).flatten()
    top_indices = np.argsort(similarities)[::-1][:top_k]

    results = []
    for idx in top_indices:
        results.append({
            "name": items[idx]["name"],
            "score": float(similarities[idx])
        })
    return results

# 사용자 관심사 기반 추천
user_interest = "파이썬 AI 학습하고 싶어요"
print(f"'{user_interest}'에 대한 추천:")
for item in find_similar_items(user_interest):
    print(f"  - {item['name']} (점수: {item['score']:.3f})")