tutorial de como atualizar o modelo de recomendacao

TutorialModeloRecomendacao.md

@@ -0,0 +1,17 @@
+# Tutorial de como atualizar o modelo de recomendação de vídeos
+
+Este é um tutorial sobre como atualizar os arquivos necessários para o funcionamento do modelo de recomendação. **Este tutorial deve ser executado sempre que novos vídeos forem adicionados ao catálogo da UnBTV.**
+
+## 1. Instalar pendências
+
+É necessário instalar algumas bibliotecas em Python para a criação do modelo:
+
+```pip install pandas==1.5.0```
+
+## 2. Atualizar o modelo
+
+Para atualizar o modelo, é necessário executar o arquivo que produz o modelo (cosine_similarity.pkl) e o DataFrame de vídeos (df_videos.csv):
+
+```python3 recomendation_model/renew_model.py```
+
+Assim, os novos vídeos serão adicionados no DataFrame de busca, além de também serem usados no cálculo de similaridade.

recomendation_model/renew_model.py

@@ -0,0 +1,36 @@
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import linear_kernel
+import pickle
+
+from utils.constants import PORTUGUESE_STOP_WORDS
+
+from utils.model import Catalog
+
+from utils.get_videos import find_all_videos, videos_to_dataframe
+from utils.categorize_videos import categorize_videos
+
+# Calcula similaridade dos vídeos a partir da distância dos cossenos (cosine distance)
+def calculate_similarity(df):
+    tfidf = TfidfVectorizer(stop_words=PORTUGUESE_STOP_WORDS)
+    tfidf_matrix = tfidf.fit_transform(df['Descrição'])
+    cosine_sim = linear_kernel(tfidf_matrix, tfidf_matrix)
+    return cosine_sim
+
+if __name__ == "__main__":
+    catalog = Catalog()
+    videos = find_all_videos()
+
+    if videos:
+        # Categorização dos vídeos
+        categorize_videos(videos, catalog)
+
+        # Cria e salva o DataFrame com os vídeos
+        df = videos_to_dataframe(videos)
+        df.to_csv('../src/recommendation_model/df_videos.csv')
+
+        cosine_sim = calculate_similarity(df)
+
+        with open('../src/recommendation_model/cosine_similarity.pkl', 'wb') as f:
+            pickle.dump(cosine_sim, f)
+    else:
+        print("Nenhum vídeo encontrado.")