Рекомендательная система по подбору книг, реализующая следующие функции с использованием набора данных (https://www.kaggle.com/zygmunt/goodbooks-10k) :

1. Просмотр диаграммы наиболее популярных жанров книг;
2. Просмотр диаграммы с книгами, которые пользователи чаще всего оставляют к прочтению;
3. Подбор книг с помощью алгоритма content-based, основанного на схожести в содержании книг;
4. Подбор книг с помощью коллаборативного алгоритма, основанного на оценках других пользователей

Основная идея - предложение новых элементов для конкретного пользователя на основе предыдущих предпочтений пользователя или мнения других единомышленников. Этот подход еще называют методом ближайших соседей.

1. Является достаточно универсальным подходом, поэтому часто дает высокие результаты.
2. Для работы данного метода не нужна детальная информация о продуктах. Вместо этого используется как история оценок самого пользователя, так и других пользователей.

1. Нельзя работать с новыми пользователями, для которых еще нет истории (задача холодного старта).
2. Неизвестно, что делать с новыми объектами, которые еще никто не оценил.
3. Ресурсоемкость вычислений, которая замедляет время работы системы.
4. Необходим большой объем данных для высокой точности предсказаний.

• выполнение подготовки данных, а именно: удаление повторов в наборе данных;
• группировка книг по количеству их оценок;
• отбор тех книг, количество оценок которых больше 60;
• группировка пользователей по количеству оценок;
• отбор тех пользователей, у которых количество оценок книг более 50;
• cоздание сводной таблицы, которая преобразуется к разреженной матрице;
• создание модели для алгоритма ближайших соседей, при подгоне которой в качестве данных обучения используется разреженная матрица оценок пользователей – книг;
• поиск выбранной книги;
• нахождение соседних книг с использованием созданной модели;
• сортировка по расстоянию до соседних книг по убыванию;
• отбор списка книг по полученным индексам;
• вывод рекомендованных книг пользователю.

Основная идея - рекомендации основаны на схожести элементов. При данном алгоритме по истории действий пользователя формируется вектор его предпочтений, что бы в дальнейшем рекомендовались элементы близкие к этому вектору.

1. Не требует большого количества пользователей для достижения высокой точности рекомендаций;
2. Новые элементы можно рекомендовать сразу, как только у них появляются заполненные характеристики.

1. Сильная зависимость от предметной области, полезность рекомендаций ограничена;
2. Вектор предпочтений пользователя и вектор остальных элементов должен состоять из одинакового набора характеристик, чтобы их можно было сравнивать и составлять рекомендации.

• выполнение подготовки данных, а именно: удаление повторов в наборе данных;
• удаление пробелов в необходимых полях;
• приведение полей к нижнему регистру и строчному типу;
• получение парной схожести между выбранной книгой и всеми остальными;
• сортировка по убыванию степеней схожести;
• выборка двадцати самых похожих на указанную пользователем книгу;
• получение индексов отобранных книг;
• получение списка названий книг.

• Python 3.7.8
• Flask 1.1.2
• Bootstrap 4.1.3
• Pandas 1.1.2
• Scikit-learn 0.23.2
• SciPy 1.4.1
• FuzzyWuzzy 0.18.0
• Chart JS 2.9.4
• Bootstrap-select 1.14.0