Model file uploaded

model.py

@@ -0,0 +1,47 @@
+import pickle
+import pandas as pd
+
+
+def generate_recomendation(user_id, top):
+    """
+    Genera recomendaciones para un usuario utilizando el modelo SVD
+
+    Args:
+    - svd_model: modelo SVD previamente entrenado
+    - user_id: id del usuario para el cual se generarán las recomendaciones
+    - top: cantidad de recomendaciones a generar (default=4)
+    - df: DataFrame con columnas 'userId', 'movieId', 'score', 'title'
+
+    Returns:
+    - lista de títulos de películas recomendadas
+    """
+    user_id = int(user_id)
+    top = int(top)
+    
+    # Cargamos el modelo entrenado
+    fc_model_dir = "fc_model_svd_v1.pkl"
+    with open(f'{fc_model_dir}', 'rb') as file:
+        svd_model = pickle.load(file)
+        
+    # Cargamos el dataset para el modelo
+    df = pd.read_parquet("fc_model.parquet")
+    
+    # Obtener las películas que el usuario no ha visto aún
+    movies_seen = set(df[df['userId'] == user_id]['movieId'])
+    movies_all = set(df['movieId'])
+    movies_unseen = list(movies_all - movies_seen)
+
+    # Obtener las recomendaciones
+    predicted_ratings = [svd_model.predict(user_id, movie_id).est for movie_id in movies_unseen]
+
+    # Ordenar las películas según su predicción de rating
+    movie_rating = list(zip(movies_unseen, predicted_ratings))
+    movie_rating.sort(key=lambda x: x[1], reverse=True)
+
+    # Obtener los títulos de las películas recomendadas
+    recommended_movies = movie_rating[:top]
+    recommended_titles = [df[df['movieId'] == movie_id]['title'].iloc[0] for movie_id, _ in recommended_movies]
+    list_recommended_titles = [movie.title() for movie in recommended_titles]
+    return f"Las {top} películas que pueden gustarle al usuario {user_id} son: {', '.join(list_recommended_titles)}"
+
+# print(generate_recomendation(543,top=3))