project_streamlit_app

pages/01_🎥_Serials.py

@@ -40,7 +40,7 @@ ganres_lst = sorted(['драма', 'документальный', 'биогра
 st.sidebar.header('Панель инструментов :gear:')
 choice_g = st.sidebar.multiselect("Выберите жанры", options=ganres_lst)
 n = st.sidebar.selectbox("Количество отображаемых элементов на странице", options=[5, 10, 15, 20, 30])
-st.sidebar.info("Для наилучшего соответствия, запрос должен быть максимально развернутым")
+st.sidebar.info("📚 Для наилучшего соответствия, запрос должен быть максимально развернутым")
 
 text = st.text_input('Введите описание для рекомендации')
 
@@ -86,16 +86,16 @@ if text and button:
 
     # Отображение изображений и названий
     for i in n_lst:
-        col1, col2 = st.columns([3, 4]) 
+        col1, col2 = st.columns([2, 5]) 
         with col1:
-            st.image(df['poster'][i], width=300)
+            st.image(df['poster'][i], width=200)
         with col2:
             st.write(f"***Название:*** {df['title'][i]}")
             st.write(f"***Жанр:*** {', '.join(df['ganres'][i])}")
             st.write(f"***Описание:*** {df['description'][i]}")
             # similarity = float(confidence)
             # st.write(f"***Cosine Similarity : {round(similarity, 3)}***")
-            st.write(f"***Ссылка на сериал: {df['url'][i]}***")
+            st.markdown(f"[***ссылка на сериал***]({df['url'][i]})")
             st.write(f"")
             end_time = time.time()
             st.write(f"<small>*Степень соответствия по косинусному сходству: {conf_dict[i]:.4f}*</small>", unsafe_allow_html=True)

pages/02_🔥_Results.py

@@ -1,15 +1,34 @@
 import streamlit as st
-from PIL import Image
+from PIL import Image, ImageOps
+import matplotlib.pyplot as plt
 
 st.write("""
  ## 📝 Итоги проекта Рекомендательные системы.
 """)
 """
-###### 1. Парсинг профильных сайтов.
+###### 1. Парсинг профильных сайтов, итоговый с kino.mail.ru.
+"""
+
+st.image('images/mem.jpg', width=400)
+
+"""
 ###### 2. Сбор и анализ информации с киносервисов. Формирование датасета. Итоговый размер - 14939 объектов.
-###### 3. Предобработка данных от лишных символов и пропусков.
-###### 4. Векторизация с использованием модели rubert-tiny2.
 """
+col1, col2 = st.columns(2)
 
+with col1:
+    st.image('images/1.jpeg')
 
+with col2:
+    st.image('images/2.jpeg')
+# st.image('images/1.png')
 
+"""
+###### 3. Предобработка данных от лишных символов и пропусков.
+"""
+st.image('images/3.jpeg')
+st.image('images/4.jpeg')
+
+"""
+###### 4. Векторизация с использованием модели RuBERT (Russian, cased, 12-layer, 768-hidden, 12-heads, 180M parameters)
+"""