Costruiamo un Sistema di Raccomandazione con Python

Benvenuti al repository del Beginners'Day, l'evento di apertura del Pycon Italia 2025 curato da Datamasters! Questo workshop è progettato per guidarvi attraverso la creazione di un sistema di raccomandazione per film e serie TV, partendo da approcci semplici fino a tecniche più avanzate, il tutto utilizzando Python .

🎯 Obiettivo del Workshop

L'obiettivo principale di questo workshop è fornire una comprensione pratica di:

• Come pre-processare e pulire i dati per un sistema di raccomandazione.
• Diverse tecniche di Content-Based Filtering:
  • Filtraggio semplice basato su attributi (es. genere).
  • Calcolo della similarità utilizzando One-Hot Encoding e Similarità del Coseno.
  • Estrazione di feature testuali con TF-IDF.
  • Utilizzo di Sentence Embeddings per una comprensione semantica più profonda del testo.
  • Creazione di sistemi di raccomandazione ibridi che combinano diverse fonti di informazione.
  • Personalizzazione delle raccomandazioni basate su un profilo utente.

Il focus è sull'apprendimento pratico, con spiegazioni chiare dei concetti teorici man mano che vengono introdotti.

🚀 Contenuto del Notebook (Full.ipynb)

Il notebook Full.ipynb è strutturato in passaggi progressivi:

1. Step 0: Caricamento e Preprocessing dei Dati
   • Lettura del dataset netflix_titles.csv.
   • Pulizia dei dati: gestione di stringhe, liste, valori numerici e mancanti.
2. Step 1: Raccomandazioni Semplici per Genere
   • Filtraggio diretto basato sui generi dei film.
3. Step 2: Raccomandazioni con Similarità Coseno (Generi)
   • Introduzione ai concetti di Feature Space, One-Hot Encoding e Similarità del Coseno.
   • Implementazione di un sistema di raccomandazione basato sulla similarità dei generi.
4. Step 3 & 4: Arricchimento delle Caratteristiche e Raccomandazioni Estese
   • Inclusione di rating, type e director nel calcolo della similarità.
5. Step 5: Raccomandazioni Basate su Descrizione (TF-IDF)
   • Introduzione a TF-IDF (Term Frequency-Inverse Document Frequency).
   • Implementazione di raccomandazioni basate sulla similarità testuale delle descrizioni.
6. Step 6: Raccomandazioni Ibride (TF-IDF + Categorie)
   • Combinazione della similarità testuale (TF-IDF) con quella delle categorie strutturate.
7. Step 7 & 8: Raccomandazioni con Embedding Semantici (Avanzato)
   • Introduzione agli Sentence Embeddings (con sentence-transformers).
   • Generazione di embedding per le descrizioni e calcolo della similarità.
   • Creazione di un sistema ibrido che usa embedding e categorie strutturate.
8. Step 9: Raccomandazioni Personalizzate per Profilo Utente
   • Creazione di un profilo utente basato sui film preferiti.
   • Generazione di raccomandazioni personalizzate basate su questo profilo ibrido.

🛠️ Come Utilizzare il Notebook

Per seguire il workshop e utilizzare il notebook, segui questi passaggi:

1. Prerequisiti

• Python: Assicurati di avere Python installato (versione 3.7 o successiva raccomandata). Puoi scaricarlo da python.org.
• Jupyter Notebook/JupyterLab: Il notebook è progettato per essere eseguito in un ambiente Jupyter. Se non lo hai, puoi installarlo con pip:

  pip install notebook
  # oppure
  pip install jupyterlab

2. Dataset e File del Progetto

• Clona o scarica questa repository per ottenere il file Full.ipynb e il dataset necessari per seguire il workshop.
• Il file netflix_titles.csv è già incluso nella repository, all'interno della directory data/, che si trova nella stessa directory del notebook Full.ipynb.
• Il dataset originale è disponibile a questo URL: https://www.kaggle.com/datasets/inegan/netflix-dataset

3. Installazione delle Librerie

Il notebook utilizza diverse librerie Python. Le librerie standard come csv, json, math, collections sono incluse con Python. Per le librerie esterne, principalmente sentence-transformers (e le sue dipendenze come numpy e torch), puoi installarle tramite pip. È consigliabile creare un ambiente virtuale:

# (Opzionale ma raccomandato) Crea e attiva un ambiente virtuale
python -m venv venv_workshop
source venv_workshop/bin/activate  # Su Linux/macOS
# venv_workshop\Scripts\activate  # Su Windows

# Installa le librerie necessarie
pip install sentence-transformers