🎬 1. 系统效果展示

核心功能亮点

1. 深度学习内核：摒弃传统的矩阵分解，采用 PyTorch 实现何向南教授经典的 NCF (Neural Collaborative Filtering) 架构，利用 Embedding + MLP 捕捉用户复杂的非线性偏好。

2. 用户性格画像 (User Profiling)：利用 Plotly 绘制动态雷达图，直观展示用户的观影偏好（如“热血/冒险”、“感性/浪漫”等）。

3. 解决冷启动 (Cold Start)：独创 “数字孪生 (Digital Twin)” 匹配算法。新用户只需选择几个标签，系统即可在百万级历史数据中找到最相似的“替身用户”，借用其特征向量进行精准推荐。

4. 多样性策略：引入 Candidate Pool Sampling 机制，拒绝千篇一律的推荐结果，保证每次刷新都有惊喜 (Serendipity)。

🛠️ 2. 技术栈与架构

• 开发语言：Python 3.10

• 深度学习框架：PyTorch (GPU/CPU 自动适配)

• 前端可视化：Streamlit + Plotly + Pandas

• 数据集：MovieLens (ml-latest) 千万级数据清洗

🧠 NCF 模型架构图

本项目模型结构如下：

• Input Layer: 接收 User ID 和 Movie ID。

• Embedding Layer: 将稀疏 ID 映射为 32维 稠密向量。

• Interaction Layer: 使用多层感知机 (MLP) 替代点积，提取高阶特征交互。

• Output Layer: 输出预测评分 (Rating Prediction)。

📂 3. 项目工程结构

本项目采用模块化 (Modular) 设计，符合软件工程规范，解耦清晰：

DeepRec_System/
├── result/                 # [产物] 存放训练好的模型与元数据
│   ├── ncf_model.pth       # PyTorch 模型权重
│   ├── meta_data.pkl       # ID 映射字典
│   └── loss_curve.png      # 训练 Loss 曲线图
├── movies.csv              # 电影元数据 (标题、流派)
├── model_def.py            # [核心] NCF 神经网络定义
├── backend.py              # [业务] 推荐逻辑、数字孪生算法、画像生成
├── app.py                  # [前端] Streamlit 交互界面
└── train.py                # [训练] 模型训练脚本 (支持服务器多卡训练)

🚀 4. 核心功能详细演示

4.1 “数字孪生”冷启动推荐

针对没有历史记录的新用户，系统提供“自定义画像”功能。

1. 用户输入：“我喜欢科幻、动作，且只看 2015 年后的电影”。

2. 后台算法：全库检索，找到一位打分行为高度一致的资深老用户（数字替身）。

3. 向量迁移：借用该老用户的 Embedding 向量输入 NCF 模型。

4. 结果：生成完美的冷启动推荐列表。

4.2 混合检索 (Hybrid Search + AI Ranking)

支持用户进行条件筛选（如年份、关键词），然后利用 AI 模型对筛选结果进行二次打分排序，将符合条件且质量最高的电影排在前面。

📊 5. 实验数据与性能

• 训练环境：NVIDIA GPU 4090 (CUDA 12.1) 

• 数据集：MovieLens Latest (采样优化版)

• 收敛情况：模型采用了 L2 正则化 与 Early Stopping 策略，有效防止了过拟合，在验证集上 Loss 稳定收敛。

📝 6. 总结

本项目实现了一个完整的端到端推荐系统。从数据清洗、模型构建（PyTorch）、到业务逻辑封装（Backend）、再到前端可视化（Streamlit）。 不仅展示了深度学习算法的落地能力，更创新性地加入了用户画像和数字孪生功能，极大地提升了系统的交互性和实用性。