Upload app.py

app.py

@@ -0,0 +1,57 @@
+import streamlit as st
+import pickle
+import pandas as pd
+from sklearn.metrics.pairwise import cosine_similarity  
+
+# Uygulama başlığı
+st.title("Kitap Tavsiye Modeli :book:")
+
+# Model dosyalarını yükleyin
+with open('tfidf_vectorizer.pkl', 'rb') as f:
+    tfidf = pickle.load(f)
+
+# Kitap verilerini yükleyin
+sss = pd.read_csv('books_data.csv')
+
+# Benzerlik matrisini yükleme (eğer daha önce kaydedilmişse)
+# Burada cosine_sim'in nereden yükleneceğine dikkat edin.
+# Eğer cosine_sim dosyasını kaydetmediyseniz, bunu hesaplamanız gerekiyor.
+# Örneğin, TF-IDF matrisinden cosine benzerliğini hesaplayabilirsiniz.
+
+# TF-IDF matrisini hesaplayın (veya önceden hesaplanmışsa yükleyin)
+tfidf_matrix = tfidf.transform(sss['title'])
+cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)
+
+def recommend_books(title):
+    # Verilen başlığa karşılık gelen indeks
+    if title not in sss['title'].values:
+        return "Kitap bulunamadı. Lütfen doğru bir başlık girdiğinizden emin olun."
+
+    idx = sss.index[sss['title'] == title].tolist()[0]
+    
+    # Benzerlik puanlarını al
+    sim_scores = list(enumerate(cosine_sim[idx]))
+    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
+    
+    # En benzer 5 kitabı al
+    sim_scores = sim_scores[1:6]  # En benzer 5 kitabı al
+
+    # Eğer sim_scores'da yeterli kitap yoksa
+    if len(sim_scores) == 0:
+        return "Yeterli benzer kitap bulunamadı."
+
+    book_indices = [i[0] for i in sim_scores]
+    
+    # Kitapların bilgilerini al
+    recommendations = sss.iloc[book_indices].copy()
+    recommendations['similarity'] = [sim_scores[i][1] for i in range(len(sim_scores))]
+    
+    # Sonuçları döndür
+    return recommendations[['title', 'average_rating', 'similarity']]
+
+kitap = st.text_input("Lütfen Bir kitap giriniz:")  
+
+if st.button("Öner"):
+    recommendations = recommend_books(kitap)
+    st.write("Önerilen Kitaplar:")
+    st.dataframe(recommendations)