Sistema de Recomendación ACT 2

Este tipo de sistema depende de las calificaciones que da la gente a un objeto. Entre más esparcidad (más NA’s, más espacios vacios) menos eficiente se vuelve el sistema

Vamos a agregar datos de los alumnos y convertirlos en una matriz

##               Kung_Fu_Panda_1 Enredados Up Cars_1 Toy_Story_3 Shrek_2 La_Monja
## David_Heredia               5         2  4      5           3       5       NA
## Nayeli_Peña                 5         5  4      5           4       3       NA
## Karla_Sánchez               3         3  3      4           2       3       NA
## Yo                          2         5  4      4           4       3       NA

Ahora hacemos el proceso de matrices

##               cosine_similarity
## David_Heredia         0.8776315
## Nayeli_Peña           0.9611541
## Karla_Sánchez         0.9510442

Usamos la función creada con anterioridad para predecir “Yo” en base a los 3 usuarios para 3 películas

## # A tibble: 3 × 2
##   movie       predicted_rating
##   <chr>                  <dbl>
## 1 Enredados               3.37
## 2 Toy_Story_3             3.00
## 3 Up                      3.66

“Up” es la película con calificación más alta por lo tanto en el sistema de recomendación sería la primera en aparecer