E-Movie: Sistema de Recomendación de Películas Basado en Emociones

Descripción

E-Movie es un sistema de recomendación de películas que utiliza un mapeo de géneros a emociones para sugerir contenido relevante a los usuarios. Al aprovechar técnicas de aprendizaje profundo (deep learning), E-Movie ofrece recomendaciones personalizadas basadas en las emociones que los géneros de las películas pueden evocar. Las emociones se definen mediante un mapeo de géneros a emociones.

Objetivo

El objetivo de E-Movie es mejorar la experiencia de los usuarios al recomendarles películas que coincidan con su estado emocional actual o deseado. Este sistema busca:

• Proporcionar recomendaciones precisas basadas en un modelo de red neuronal profunda.

• Ofrecer una plataforma intuitiva y fácil de usar para explorar nuevas películas.

• Mejorar continuamente el algoritmo de recomendación mediante la incorporación de retroalimentación de los usuarios.

Estructura del Proyecto

El proyecto E-Movie está organizado de la siguiente manera:

Emovie/
│
├── Data/
│   ├── Processed/
│   │   └── processed_movies.csv
│   ├── Raw/
│   │   ├── movie.csv
│   │   └── rating.csv
│
├── Models/
│   ├── mlb.joblib
│   ├── movie_recommender_model_2.keras
│   ├── movie_recommender_model_3.keras
│   ├── movie_recommender_model_4.keras
│   └── movie_recommender_model.keras
│
├── Notebooks/
│   ├── data_preprocessing.ipynb
│   ├── model_training_1.ipynb
│   ├── model_training_2.ipynb
│   ├── model_training_3.ipynb
│   └── model_training_final.ipynb
│
├── src/
│   ├── data_processing.py
│   ├── train_model.py
│
├── .gitignore
├── app.py
└── requirements.txt

Requisitos

• Python 3.9.7

Instalación

Para instalar y ejecutar el proyecto eMovie, sigue estos pasos:

1. Clona el repositorio:

   git clone https://github.com/Cabrera07/Emovie.git

2. Crea un entorno virtual y actívalo:

   python -m venv env
   env\Scripts\activate  # En Windows usa `source env/bin/activate `

3. Instala las dependencias:

   pip install -r requirements.txt

Datos

Debido al tamaño de los archivos rating.csv y movie.csv, no se incluyen directamente en el repositorio. Puedes descargar los archivos desde los siguientes enlaces y colocarlos en la carpeta Data/Raw/:

Descargar Archivos

Uso

1. Procesamiento de datos:

   python src/data_processing.py

2. Entrenamiento del modelo:

   python src/train_model.py

3. Ejecución de la aplicación Streamlit:

   streamlit run app.py

Flujo de Trabajo con Ramas

En el proyecto eMovie, utilizamos un flujo de trabajo basado en ramas para asegurar una colaboración efectiva y organizada. A continuación, se describe el flujo de trabajo:

• main: La rama main contiene el código estable y listo para producción. Todos los cambios en esta rama deben ser revisados y aprobados a través de Pull Requests.

• develop: La rama develop es donde se integran las características que están listas para ser probadas antes de pasar a main. Es la rama base para cualquier desarrollo.

• feature/*: Para cada nueva funcionalidad o mejora, se debe crear una rama feature a partir de develop. Una vez completada la funcionalidad, se realiza un Pull Request para integrar los cambios en develop.

Pasos para Contribuir

1. Haz un fork del repositorio.

2. Crea una nueva rama a partir de develop:

   git switch -c feature/new-functionality develop

3. Realiza tus cambios y haz commit:

   git add .
   git commit -am 'feat: add new functionality'

4. Sube los cambios a tu rama:

   git push origin feature/new-functionality

5. Crea un Pull Request hacia la rama develop y describe los cambios realizados.

Contribución

Si deseas contribuir a eMovie, por favor sigue los pasos mencionados en la sección "Flujo de Trabajo con Ramas".