৫০. নেটফ্লিক্সের মতো রেকমেন্ডেশন সিস্টেম (Recommendation Engine)

আপনি যখন নেটফ্লিক্স (Netflix) বা ইউটিউবে কোনো মুভি দেখেন, ঠিক তার পরপরই আপনার পছন্দের মতো আরও বেশ কিছু মুভি সাজেস্ট (Suggest) করা হয়। ই-কমার্স সাইটে (যেমন অ্যামাজন) কোনো প্রোডাক্ট কিনলে লেখা আসে "Customers who bought this also bought..."।

এই অসাধারণ কাজটি করা হয় মেশিন লার্নিংয়ের Recommendation Engine বা রেকমেন্ডেশন সিস্টেম ব্যবহার করে। এই প্রজেক্টে আমরা Collaborative Filtering অ্যালগরিদম ব্যবহার করে একটি মুভি রেকমেন্ডেশন সিস্টেম বানাবো!

কীভাবে কাজ করে? (How it works):

1. User Ratings: প্রথমে আমরা একটি ডেটাসেট নিবো যেখানে বিভিন্ন ইউজার বিভিন্ন মুভিকে কত রেটিং দিয়েছে তা লেখা থাকবে।
2. Collaborative Filtering: অ্যালগরিদম চেক করবে যে আপনার মুভি দেখার টেস্ট (Taste) বা পছন্দের সাথে অন্য কোন ইউজারের পছন্দ মিলে যায়।
3. Cosine Similarity: গাণিতিক এই সূত্র ব্যবহার করে দেখা হবে দুটি মুভি একে অপরের কতটা কাছাকাছি। যে মুভিগুলো সবচেয়ে কাছাকাছি (Similar), সেগুলোই আপনাকে সাজেস্ট করা হবে!

প্রয়োজনীয় লাইব্রেরি (Libraries):

টার্মিনালে নিচের কমান্ডটি লিখে লাইব্রেরিগুলো ইনস্টল করে নিন:

pip install pandas scikit-learn

প্রজেক্টের কোড:

নিচের কোডটি হলো একটি কনটেন্ট/কলাবোরেটিভ-ভিত্তিক রেকমেন্ডেশন ইঞ্জিনের বেসিক আর্কিটেকচার।

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

def build_recommendation_engine():
    print("=== AI Movie Recommendation Engine ===\n")
    
    # ১. একটি ডেমো ডেটাসেট তৈরি করা (বাস্তবে এটি বিশাল CSV ফাইল হয়)
    movies_data = {
        'Movie_ID': [1, 2, 3, 4, 5],
        'Title': [
            'Interstellar', 
            'The Dark Knight', 
            'Inception', 
            'Avengers: Endgame', 
            'The Notebook'
        ],
        'Genres': [
            'Sci-Fi Space Action',
            'Action Superhero Crime',
            'Sci-Fi Action Thriller',
            'Action Superhero Sci-Fi',
            'Romance Drama'
        ]
    }
    
    df = pd.DataFrame(movies_data)
    print("Available Movies in Database:")
    for title in df['Title']:
        print(f"- {title}")
        
    print("\n[1] Processing Movie Genres using AI (TF-IDF)...")
    
    # ২. জঁরা (Genres) টেক্সটগুলোকে গাণিতিক ম্যাট্রিক্সে রূপান্তর করা
    vectorizer = TfidfVectorizer()
    feature_vectors = vectorizer.fit_transform(df['Genres'])
    
    print("[2] Calculating Cosine Similarity (Finding patterns)...")
    
    # ৩. একটি মুভির সাথে বাকি মুভিগুলোর মিল বা সিমিলারিটি (Similarity) বের করা
    similarity = cosine_similarity(feature_vectors)
    
    # ৪. ইউজারকে মুভি সাজেস্ট করা
    user_liked_movie = "Inception"
    print(f"\nUser watched: '{user_liked_movie}'")
    print(f"Generating recommendations based on '{user_liked_movie}'...\n")
    
    # ইউজারের পছন্দের মুভির ইনডেক্স (Index) বের করা
    movie_index = df[df.Title == user_liked_movie].index[0]
    
    # সিমিলারিটি লিস্ট থেকে ওই মুভির সাথে মিল থাকা স্কোরগুলো নেওয়া
    similarity_score = list(enumerate(similarity[movie_index]))
    
    # স্কোর অনুযায়ী মুভিগুলোকে বড় থেকে ছোট ক্রমানুসারে সাজানো
    sorted_similar_movies = sorted(similarity_score, key=lambda x: x[1], reverse=True)
    
    print("🎥 TOP RECOMMENDATIONS FOR YOU:")
    # প্রথমটি বাদ দিয়ে (কারণ প্রথমটি ইনসেপশন নিজেই) পরের ৩টি মুভি সাজেস্ট করা
    count = 1
    for i in sorted_similar_movies[1:]:
        index = i[0]
        score = i[1] * 100 # শতকরা (Percentage) হিসেবে স্কোর
        if count <= 3:
            print(f"{count}. {df.loc[index, 'Title']} (Match Score: {score:.1f}%)")
            count += 1

if __name__ == "__main__":
    build_recommendation_engine()

কোডটি কীভাবে শিখবেন?

1. TF-IDF Vectorizer: এটি একটি অসাধারণ NLP টুল। এটি মুভির জঁরা (যেমন: Sci-Fi, Action) পড়ে বুঝতে পারে কোন শব্দটি বেশি গুরুত্বপূর্ণ এবং সেগুলোকে নাম্বারে রূপান্তর করে।
2. Cosine Similarity: এটি মূলত দুটি ভেক্টরের (Vectors) মধ্যবর্তী কোণ (Angle) মাপে। যদি দুটি মুভির জঁরা একদম সেম হয়, তবে কোণ হবে ০ ডিগ্রি এবং কস (Cos 0) এর মান হবে ১ (অর্থাৎ ১০০% ম্যাচ)। আর যদি একদম আলাদা হয় (যেমন: Sci-Fi এবং Romance), তবে স্কোর হবে ০%।
3. Sorting Recommendations: sorted(..., reverse=True) ব্যবহার করে আমরা সবচেয়ে বেশি স্কোর পাওয়া মুভিগুলোকে (Highest Match) লিস্টের একেবারে উপরের দিকে নিয়ে এসেছি, ঠিক যেভাবে ইউটিউব বা নেটফ্লিক্স কাজ করে!