File size: 1,587 Bytes
2c6f419 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 |
import gradio as gr
from sentence_transformers import SentenceTransformer, util
import pandas as pd
# Stap 1: laadt het fine-tuned movie-recommender-model
# Model ID: JJTsao/fine-tuned_movie_retriever-bge-base-en-v1.5
model = SentenceTransformer("JJTsao/fine-tuned_movie_retriever-bge-base-en-v1.5")
# Stap 2: laad 'movies.csv' (zorg dat dit bestand al bestaat)
movies = pd.read_csv("movies.csv")
# Bereken embeddings voor elke filmtitel (eenmalig bij opstart)
movie_embeddings = model.encode(movies["title"].tolist(), convert_to_tensor=True)
def recommend(favorite_movie: str):
"""
Krijg vijf aanbevolen titels op basis van de opgegeven film of omschrijving.
"""
# Encode de user-input
query_embedding = model.encode(favorite_movie, convert_to_tensor=True)
# Bereken cosine similarity met alle films in 'movies.csv'
cos_scores = util.cos_sim(query_embedding, movie_embeddings)[0]
# Pak de top-5 indices (hoogste scores)
top_indices = cos_scores.topk(k=5).indices.tolist()
# Geef de corresponderende titels terug
recommendations = [movies["title"].iloc[i] for i in top_indices]
return recommendations
# Gradio-interface definieren:
iface = gr.Interface(
fn=recommend,
inputs=gr.Textbox(lines=1, placeholder="Typ hier een filmtitel of omschrijving...", label="Jouw favoriete film"),
outputs=gr.Textbox(label="Aanbevolen titels"),
title="StreamVibe Recommender",
description="Geef je favoriete film of omschrijving, en krijg 5 vergelijkbare titels uit je eigen lijst."
)
if __name__ == "__main__":
iface.launch() |