Уявіть, скільки годин ви проводите, прокручуючи нескінченні списки фільмів, щоб зрештою знову подивитись ті ж самі улюблені? Команда веб-розробників GDGC уявила безшовний інтерфейс, який має революціонізувати цей процес. Спільно з командою машинного навчання, ми створили систему, яка не лише розуміє ваші вподобання, а й передбачає, які фільми вам можуть сподобатись наступними. Ця співпраця об'єднала передові технології штучного інтелекту з інтуїтивно зрозумілим веб-розробленням, щоб вирішити проблему персоналізованого контенту серед безлічі варіантів.
Що ми зробили
Разом з командами веб-розробки та машинного навчання, ми розробили систему рекомендацій фільмів, яка поєднує стильний інтерфейс з інтелектуальними алгоритмами машинного навчання. Система дозволяє користувачам переглядати список фільмів, додавати улюблені до віртуальної корзини та отримувати рекомендації на основі подібних фільмів, адаптованих до їхніх вподобань. Такий інтерактивний, орієнтований на користувача підхід переосмислює спосіб, у який ми відкриваємо для себе розваги.
Ідея
Ідея виникла з поширеної проблеми: як зробити вибір фільму простішим і цікавішим? Об'єднавши досвід веб-команди у створенні інтерфейсів з вміннями команди машинного навчання в прогнозному моделюванні, ми створили єдину платформу, яка є одночасно візуально привабливою і функціональною. Ми приділили велику увагу створенню інтуїтивно зрозумілого шляху користувача, забезпечуючи при цьому надійні рекомендації, засновані на даних.
Робочий процес
- Відображення фільмів: На екрані з'являється вибір фільмів, які користувач може переглядати.
- Додавання у кошик: Користувачі можуть вибирати улюблені фільми і додавати їх до віртуальної корзини.
- Генерація рекомендацій: Модель машинного навчання аналізує обрані фільми і надає персоналізовані пропозиції на основі схожості.
- Перегляд рекомендацій: Новий набір рекомендованих фільмів відображається на екрані, пропонуючи свіжі варіанти, адаптовані до вподобань користувача.
Результат
Кінцевим результатом стала інтерактивна платформа, де користувачі могли безперешкодно вибирати та переглядати фільми персоналізованим способом. Спільна робота забезпечила бездоганну інтеграцію між бекенд-системою рекомендацій і фронтенд-інтерфейсом, що зробило досвід зручним і приємним.
Головна сторінка
Розділ популярних фільмів
Кошик
Основні моменти події
Система отримала широке визнання за свою практичність і успішну спільну реалізацію.
Гаршвардхан пояснює загальний дизайн системи рекомендацій
Шашват пояснює фронтенд на React.js
Ішанка пояснює інтеграцію бекенду та фронтенду
Дорожня карта програми
- Ідея та початкове планування: Визначили проблему та окреслили основні функціональності.
- Вибір технологій: Обрали інструменти та фреймворки, найкраще підходящі для задачі.
- Розробка: Реалізували фронтенд, бекенд та компоненти машинного навчання.
- Тестування та ітерації: Налагоджували та вдосконалювали систему для забезпечення безперебійного досвіду.
5.
Фінальна презентація: Провели демонстрацію в режимі реального часу на події.
Технологічний стек
- Фронтенд: React.js, Bootstrap
- Бекенд: Flask, Python
- Модель машинного навчання (ML Model): Колаборативна фільтрація (Collaborative Filtering), TensorFlow
Помилки та обмеження
- Інтеграція між командами: На початку виникли труднощі з ефективною комунікацією між Flask API та фронтендом на React.
- Глибина рекомендацій: Модель інколи мала проблеми з рекомендованими фільмами для дуже специфічних уподобань.
- Продуктивність UI: Оптимізація інтерфейсу для повільніших пристроїв вимагала додаткових ітерацій.
Налаштування для користувачів
Щоб адаптувати додаток до індивідуальних потреб, користувачі можуть:
- Додати нові уподобання для фільмів: Налаштувати свою корзину з фільмами, яких немає в стандартному списку.
- Персоналізувати рекомендації: Налаштувати вагу критеріїв (наприклад, жанр, режисер) у рекомендаціях.
- Змінити теми: Вибрати одну з кількох тем UI для персоналізованого вигляду.
Майбутні покращення
- Розширені фільтри: Ввести фільтри за мовою, роком випуску, рейтингами.
- Соціальні функції: Дозволити користувачам ділитись рекомендаціями з друзями.
- Інтеграція мобільного додатку: Розробити мобільну версію для ширшого охоплення.
- Покращені моделі машинного навчання (ML Models): Інтегрувати глибоке навчання для ще точніших рекомендацій.
Внесок команди
- Шашват (Web Lead): Спроектував та реалізував компоненти карток за допомогою масиву об'єктів.
- Ішанка (Web Co-Lead): Розробив механізм для отримання та відображення даних з бекенду.
- Арунава: Додав функціональність для управління функцією «Додати до кошика».
- Гарш: Пояснив і оптимізував інтеграцію Flask API.
- Вайбхав: Забезпечив правильне відображення рекомендованих фільмів на екрані.
YouTube Link Дивіться підсумки події тут -
Контрибутори: Ishanklalwani, Vaibhav Mishra, Gagan Bhardwaj, arunava
Перекладено з: Transforming Entertainment: A Collaborative Leap into Personalized Movie Recommendations