| import numpy as np |
| from sklearn.metrics.pairwise import cosine_similarity |
|
|
| |
| def compute_capacity_similarity(cap1, cap2): |
| try: |
| if cap1 <= 0 or cap2 <= 0: |
| return 0.0 |
| return min(cap1, cap2) / max(cap1, cap2) |
| except: |
| return 0.0 |
|
|
| |
| def recommend_venues(perf_vector, df, weights=[0.5, 0.3, 0.2], alpha=0.7): |
| """ |
| perf_vector: [티켓가, 장르점수, 검색량] 형태의 신규 공연 벡터 |
| df: 공연장 데이터프레임 (공연장벡터 + 객석 수 포함) |
| weights: 각 성분별 가중치 |
| alpha: 종합 유사도 계산 시 벡터 유사도 비중 |
| """ |
| perf_vec = np.array(perf_vector) * np.array(weights) |
|
|
| |
| df["공연장벡터"] = df["공연장벡터"].apply(lambda x: np.array(x) * np.array(weights)) |
| df["유사도"] = df["공연장벡터"].apply(lambda v: cosine_similarity([perf_vec], [v])[0][0]) |
|
|
| |
| target_capacity = perf_vector[0] * 200000 |
| df["객석수유사도"] = df["객석 수"].apply(lambda c: compute_capacity_similarity(target_capacity, c)) |
|
|
| |
| df["종합유사도"] = alpha * df["유사도"] + (1 - alpha) * df["객석수유사도"] |
|
|
| |
| result = df.sort_values("종합유사도", ascending=False).reset_index(drop=True) |
| return result |
|
|
