详细内容或原文请订阅后点击阅览
使用FastApi，PostgreSQL和渲染构建视频游戏推荐系统：第1部分
使用Steams Apithe Post Build Build budent budent budent tivestapi，postgresql和Render：第1部分首先出现在数据科学上。
来源:走向数据科学简介
启用一个应用程序，为用户生成智能建议，从其余的有效地对相关内容进行分类。在本文中，我们利用PostgreSQL，FastApi和渲染来构建和部署动态的视频游戏推荐系统，并根据与之互动的用户为用户推荐新游戏。目的是提供一个明确的示例，说明如何构建独立推荐系统，然后将其绑定到前端系统或其他应用程序中。
对于此项目，我们使用可从Steams API访问的视频游戏数据，但可以很容易地由您感兴趣的任何产品数据代替，关键步骤将是相同的。我们将介绍如何将这些数据存储在数据库中，对游戏标签进行矢量化，并根据用户与之交互的游戏生成相似性得分，并返回一系列相关建议。在本文的末尾，我们将将此推荐系统部署为具有FastApi的Web应用程序，以便每当用户与新游戏进行交互时，我们都可以动态生成并为该用户存储新的建议集。
将使用以下工具：
- postgresqlfastapidockerrender
那些对GitHub存储库感兴趣的人可以在这里找到它。
在这里目录
由于该项目的长度，它分为两篇文章。第一部分涵盖了该项目背后的设置和理论（下面显示的步骤1-5），第二部分涵盖了部署它。如果您正在寻找第二部分，则位于这里。
第1部分
- 数据集概述架系统Architecturedatabase设置设置设置 - 模型 - 路由建设相似性管道
- 在将fastapi应用程序作为一个渲染Web应用程序（Dockerize我们的应用程序）上部署PostgreSQL数据库 - 将Docker Image推到Dockerhub-将Dockerhub推入Dockerhub，从Dockerhub撤离
游戏
用户