10
CyneMatch — Système de recommandation de films
Application web de recommandation de films basée sur les données IMDB. Moteur basé sur le contenu avec Scikit-learn (similarité cosinus), interface Django et conteneurisation complète Docker.
Stack
Que s'est-il passé ?
- 01
La question
Peut-on recommander un film qui a du sens, à partir de la seule similarité entre les films qu'on aime ?
- 02
Le problème
Recommander par genre brut est grossier. La note moyenne ignore ce qui fait qu'on aime un film.
- 03
L'hypothèse
En représentant chaque film par ses caractéristiques (genres, mots-clés, casting) et en mesurant la similarité cosinus, on obtient une recommandation « à la manière de ».
- 04
Le build
Moteur de recommandation basé sur le contenu avec Scikit-learn (similarité cosinus), traitement Pandas & NumPy, interface Django, et conteneurisation complète Docker.
- 05
L'échec
Les premiers résultats recommandaient des films « similaires » que personne n'aurait associés. Le problème : certaines caractéristiques dominaient tout le calcul.
- 06
La découverte
La normalisation et le poids des features changent radicalement la pertinence. Le contenu, c'est bien, mais il faut le doser.
- 07
Le résultat
Une app web Django conteneurisée avec Docker qui recommande des films à partir des données IMDB.
- 08
La prochaine frontière
Mélanger contenu et collaborative filtering (hybride), et évaluer sérieusement la qualité des recommandations.