Sistema de recomendación colaborativo - Luis Mendoza A00829099 y Cecilia Rivas A01284874

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 inventar datos de usuarios y convertirlos en una matriz

##               KP1 Enredados UP Cars1 Ts3 Shrek2 Monja
## Cecilia Rivas   3         4  5     4   4      3     3
## Luis Alfredo    5         3  5     5   3      5     3
## Daniel Najera   4         3  5     5   5      5     1
## Luis Mendoza    5         3  4     5   4      5    NA

Ahora hacemos el proceso de matrices

##               cosine_similarity
## Cecilia Rivas         0.9099072
## Luis Alfredo          0.9557122
## Daniel Najera         0.9843118

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

## # A tibble: 7 × 2
##   movie     predicted_rating
##   <chr>                <dbl>
## 1 KP1                   4.02
## 2 Enredados             3.32
## 3 UP                    5   
## 4 Cars1                 4.68
## 5 Ts3                   4.01
## 6 Shrek2                4.36
## 7 Monja                 2.31

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