Movie Recommendation System 🎬

多目標 LightGBM 排序 · Pareto 重新排序 · 基於規則的 NLP 偏好控制

推薦系統能否同時兼顧準確性與多樣性？使用者是否能用簡單的語言決定兩者之間的權衡？ 本專案結合了 LightGBM LambdaRank 基準模型、基於 Pareto 的重新排序策略以及基於規則的 NLP 條件映射器，並在 MovieLens 100K 數據集上進行了嚴謹的訓練、驗證與測試集切分評估。

系統核心架構

本專案旨在將機器學習模型的實驗評估與前端展示作深度整合。系統設計包含資料前處理、特徵工程、多目標重新排序（Re-ranking）及系統層級的評估。

主要核心檔案劃分如下：

1. movie_lgb_recommender.py:
   • 負責資料載入與 Train / Validation / Test 切分。確保 Test Set 僅用於最終無偏差的評估。
   • 進行混合特徵工程，包含使用者的歷史偏好與協同過濾訊號。
2. demo_app.py:
   • 基於 Streamlit 構建的前端互動介面，支援冷啟動與個人化雙模式。

🌐 線上展示 (Live Demo)

👉 立即在線嘗試系統:
https://movie-recommendations-timothie.streamlit.app

方法演進 (Weekly Progress Mapping)

• Week 1–4: 混合推薦基準與 Pareto 重新排序
  • 建構 LightGBM LambdaRank 基準模型，並引入 Pareto Dominance 策略平衡相關性與新穎度。
• Week 5–7: LLM 語意解析與 TMDB 整合
  • 導入 Gemini API 作為語意解析器，將自然語言轉為結構化權重。
  • 整合 TMDB API 抓取即時電影資訊。
• Week 8: 系統穩定性優化與 UI/UX 精煉
  • 冷啟動模式優化：重構 dynamic_pareto_rerank，解決 Vintage 模式與年份約束的邏輯衝突。
  • 互動介面精煉：移除冗餘的 Source 標籤與詳細報錯，優化海報牆顯示邏輯與過時的 Streamlit 語法。
  • 穩健性增強：實作語意解析的「優雅降級」機制，當 API 忙碌時自動切換至 Rule-based 模式。
  • 效能修補：修正了 tb_scaler 未定義等關鍵 Bug，確保 Tie-break 排序的穩定性。

📊 實驗結果 (測試集)

評測方法	Recall@10	NDCG@10	Novelty@10	ILD@10 (多樣性)
基準模型 (LGB + MF)	3.32%	0.1312	0.2546	0.8536
Pareto (Optuna 3D 最佳解) ✅	2.63%	0.1885	0.3112	0.7406

(數據來自測試集, seed=42, k=10)

規格化開發 (Spec-Driven Development)

👉 spec/movie_recommender.yaml

專案結構 (Project Structure)

大三專題/
│── app.py                    # 完整前端入口
│── demo_app.py               # 互動推薦展示入口
│── movie_lgb_recommender.py  # 模型訓練核心
│── week5_nlp_pareto.py       # 語意解析與冷啟動核心排序器
│── tmdb_api.py               # TMDB API 整合
│── optuna_tuning.py          # 權重自動優化
└── README.md                 # 專案文件

🚀 快速啟動

pip install -r requirements.txt
python -m streamlit run demo_app.py

私密資訊管理：請在 .streamlit/secrets.toml 中加入 OPENAI_API_KEY 與 TMDB_API_KEY。

未來展望

• Deep Learning Ranking Models
• Real-time Feedback Loop