Deze Repository is voor een schoolproject op de studie Artificial Intelligence aan de Hogeschool Utrecht. Met dit schoolproject is het de bedoeling dat we in team aan een recommendation engine gaan werken. Recommendation engine is een systeem dat op basis van informatie aanbevelingen probeert te maken. In ons geval moeten we met een hoop geanonimiseerde data van een failliete product store genaamd "op=op" aanbevelingen voorspellen. De gekregen data was in json formaat aangeleverd dus hebben we de op BSON gebaseerde documents database MongoDB gebruikt. Via de gekregen richtlijnen vanuit opdrachten met deadlines is het process van het maken van een recommendation engine in ons project als volgt: Eerst de gekregen datasets importeren naar een lokale mongodb instantie, vervolgens een relationele database ontwerpen wij hebben dit in postgres gedaan, vervolgens via een procedurele programmeertaal de documents data vanuit mongodb overzetten in de relationele database, ten slotte met de gegeven website template en de data ons uitgekozen filtering aanbeveling systeem uitwerken en laten werken. Hieronder een inhoudsopgave van de verschillende toelichtingen van de stappen in het process, sommige volgens de richtlijnen van de gekregen opdrachten.
GP-V1A-Groep 6
1778763 – Beau Dekker
1778287 – Gaynora van Dommelen
1779750 – Robin Kroesen
1789287 – Khai-Tam Nguyen
open up a command line inside project directory and type:
pip install -r requirements.txt
- Clone de git repository
- Check of de gegevens in rdbconnection2.py en mdbconnect2.py gelden voor jou. Pas aan waar nodig.
- Run create_tables.py
- Run data_overzetten.py
- Run popular_setup_tables.py
- Run pactum.py
- Voor unix shell gebruikers: Navigeer naar de directory waarin deze repository zich bevindt. Run huw_recommend.sh (command line: sh huw_recommend.sh). Voor Windows gebruikers: Open command prompt en navigeer naar de directory waarin deze repository zich bevindt. Run daar het volgende commando:
set FLASK_APP=huw_recommend.py
python -m flask run --port 5001
### !! Als het werkt, zie je hetvolgende in je terminal verschijnen: * Running on http://127.0.0.1:5001/ (Press CTRL+C to quit)- Open nu een nieuw window en run daar het volgende:
set FLASK_APP=huw.py
python -m flask run
### !! Als het werkt, zie je hetvolgende in je terminal verschijnen: * Running on http://127.0.0.1:5001/ (Press CTRL+C to quit)- Ga nu naar http://127.0.0.1:5000 waar de front-end runt.
run popular_validation.py
Als hetvolgende geprint wordt, werkt het algoritme:
'...'
>>> Verplichte steekproef CHECK! >>>
'...'
>>> Steekproef met verzameling 1 CHECK! >>>
'...'
>>> Steekproef met verzameling 2 en 4 CHECK! >>>
'...'
>>> Steekproef met verzameling 3 en 5 CHECK! >>>run pactum_validation.py
Deze recommendation word gebruikt voor opdracht 1 van de verplichte validaties. In de volgende tabel staat de uitkomst van "23866":
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|product_id |naam |brand |gender |category |sub_category
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|1714 |Neutral Vloeibaar Kleur Parfumvrij Wasmiddel 1425 ml |Neutral |Gezin |Huishouden |Wassen en schoonmaken
|20339 |Neutral Wasmiddel Vloeibaar Zwart & Donker Parfumvrij 1000 ml |Neutral |Gezin |Huishouden |Wassen en schoonmaken
|27337 |Neutral Parfumvrij Waspoeder 1,188 g |Neutral |Gezin |Huishouden |Wassen en schoonmaken
|23889 |Neutral Wasmiddel Waspoeder Parfumvrij Wit 1188 gr |Neutral |Gezin |Huishouden |Wassen en schoonmaken
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
Verplichte steekproef is geslaagd!Als onder aan dit word geprint, werkt het algoritme:
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|product_id |naam |brand |gender |category |sub_category
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|32476 |Airwick Essential Oils Berries & Spice Geurkaars 105 gr |Airwick |Unisex |Wonen & vrije tijd |Woonaccessoires
|32483 |Airwick Essential Oils Infusion Geurkaars Orange & Festive Spice |Airwick |Unisex |Wonen & vrije tijd |Woonaccessoires
|32474 |Airwick Essential Oils Infusion Geurkaars Apple & Cinnamon |Airwick |Unisex |Wonen & vrije tijd |Woonaccessoires
|32480 |Airwick Essential Oils Infusion Geurkaars Apple & Cinnamon |Airwick |Unisex |Wonen & vrije tijd |Woonaccessoires
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
Eigen steekproef met 20 random productid's is geslaagd!In het bestand personalrecommendation.py staan er twee functies die moeten worden getest. De eerste functie getSessionFrequency bepaald welke sessies het meeste lijken op de gebruiker. De sessies die de meeste aantal dezelfde unieke producten hebben, zijn de sessies die het meeste lijken op de gebruiker. Om dit te testen heb ik gekeken naar 4 sessies die het meest horen te lijken op de gebruiker. Ik heb gekeken naar welke producten zij hebben gekocht. Hieruit kan ik bepalen of de sessie het meeste lijkt op de gebruiker.
De tweede functie getProductFrequency bepaald welke producten het meeste voorkomen in een lijst van sessies. Om dit te testen moeten we kijken naar alle producten die horen bij de gegeven sessies. We zullen dus kijken naar de vorige 4 sessies. We noteren dan alle producten die de vorige 4 sessies hebben gekocht. Nadat we dit hebben genoteerd, kunnen we bepalen welke producten het meeste voorkomen. Dit zijn de producten die worden gegeven als recommendations. Nadat we hebben bepaald welke producten het meeste voorkomen, kijken we naar het resultaat van de functie en kijken we of ze hetzelfde zijn.