🎬 Система рекомендацій для стрімінгового сервісу

📝 Опис проекту

Це дипломна робота на тему "Система рекомендацій для стрімінгового сервісу", яка реалізує сучасні алгоритми машинного навчання для персоналізованих рекомендацій фільмів.

✨ Основні функції:

• 🤖 Колаборативна фільтрація (user-based, item-based)
• 📊 Контентна фільтрація на основі метаданих
• 🔄 Гібридний підхід для максимальної точності
• 🎯 Матрична факторизація (NMF)
• 📱 Сучасний веб-інтерфейс у стилі Netflix
• 🔐 Система авторизації з JWT токенами
• 📈 Система збору та аналізу взаємодій користувачів

🚀 Швидкий старт

1. Клонування проекту

git clone <your-repo-url>
cd streaming-recommender

2. Автоматичне налаштування

python scripts/quick_setup.py

3. Запуск системи

python app/main.py

4. Відкрийте браузер

• Головна сторінка: http://localhost:5000
• Адмін панель: http://localhost:5000/admin

📋 Ручне налаштування

Передумови

• Python 3.8+
• MongoDB (локально або Atlas)
• TMDb API ключ (опціонально)

Встановлення залежностей

pip install -r requirements.txt

Конфігурація

Створіть файл .env:

SECRET_KEY=your_secret_key
MONGO_URI=mongodb://localhost:27017/streaming_recommender
TMDB_API_KEY=your_tmdb_api_key
DEBUG=True

Імпорт даних

python scripts/enhanced_data_importer.py

🏗️ Архітектура системи

streaming-recommender/
├── app/
│   ├── main.py              # Головний Flask додаток
│   ├── config.py            # Конфігурація
│   ├── database.py          # Підключення до MongoDB
│   ├── models/              # Моделі даних
│   ├── recommenders/        # Алгоритми рекомендацій
│   │   ├── collaborative.py
│   │   ├── content_based.py
│   │   └── hybrid.py
│   └── api/                 # API маршрути
├── scripts/
│   ├── quick_setup.py       # Швидке налаштування
│   └── enhanced_data_importer.py
├── data/                    # Дані MovieLens
├── static/                  # Статичні файли
└── templates/               # HTML шаблони

🔧 API Документація

Аутентифікація

• POST /api/auth/register - Реєстрація
• POST /api/auth/login - Вхід
• GET /api/auth/me - Поточний користувач

Контент

• GET /api/content/ - Список контенту
• GET /api/content/<id> - Деталі контенту

Рекомендації

• GET /api/recommendations/personal - Персональні рекомендації
• POST /api/recommendations/interaction - Запис взаємодії

Система

• GET /api/health - Стан системи
• GET /api/stats - Статистика

🧪 Алгоритми рекомендацій

1. Колаборативна фільтрація

• User-based: Рекомендації на основі схожих користувачів
• Item-based: Рекомендації на основі схожого контенту
• Matrix Factorization: NMF для зниження розмірності

2. Контентна фільтрація

• Аналіз метаданих (жанри, актори, режисери)
• TF-IDF векторизація описів
• Cosine similarity для знаходження схожості

3. Гібридний підхід

• Адаптивні ваги залежно від активності користувача
• Комбінування різних алгоритмів
• Диверсифікація за жанрами

📊 Структура даних

Користувачі

{
  "username": "string",
  "email": "string",
  "preferences": {
    "genres": ["Action", "Drama"],
    "favorite_actors": ["Actor Name"],
    "favorite_directors": ["Director Name"]
  },
  "demographics": {
    "age": 25,
    "location": "City"
  }
}

Контент

{
  "title": "Movie Title",
  "genres": ["Action", "Drama"],
  "release_year": 2023,
  "director": "Director Name",
  "actors": ["Actor1", "Actor2"],
  "description": "Movie description",
  "poster_url": "https://...",
  "average_rating": 8.5,
  "tmdb_id": 123456
}

Взаємодії

{
  "user_id": "ObjectId",
  "content_id": "ObjectId",
  "interaction_type": "rating|view|bookmark",
  "value": 4.5,
  "timestamp": "2024-01-01T00:00:00Z"
}

🧪 Тестування

Запуск тестів

python -m pytest tests/

Демонстрація алгоритмів

python scripts/demo_recommendations.py

📈 Моніторинг та метрики

Система збирає наступні метрики:

• Precision@K та Recall@K
• Покриття каталогу
• Різноманітність рекомендацій
• Час відгуку системи

🔒 Безпека

• JWT токени для авторизації
• Хешування паролів з bcrypt
• Валідація вхідних даних
• CORS налаштування

🚀 Продакшен

Docker (планується)

docker build -t streaming-recommender .
docker run -p 5000:5000 streaming-recommender

Налаштування для продакшену

• Змініть SECRET_KEY та JWT_SECRET_KEY
• Встановіть DEBUG=False
• Налаштуйте зовнішню MongoDB
• Налаштуйте HTTPS
• Додайте моніторинг

👥 Тестові користувачі

Після імпорту даних доступні наступні користувачі:

• admin / admin123
• movie_critic / password123
• action_fan / password123
• comedy_lover / password123
• horror_enthusiast / password123

📚 Використані технології

• Backend: Flask, PyMongo, JWT
• ML: scikit-learn, pandas, numpy
• Frontend: HTML5, CSS3, Bootstrap 5, JavaScript
• Database: MongoDB
• APIs: TMDb API, MovieLens dataset

📄 Ліцензія

Цей проект створено для освітніх цілей як дипломна робота.