🎬 Movie Recommendation AI

Sistema de recomendação de filmes com machine learning treinado diretamente no browser, sem infraestrutura de ML na nuvem.

---

📌 Sobre o Projeto

O sistema aprende as preferências de cada usuário com base no histórico de filmes assistidos e recomenda novos títulos personalizados. O modelo é treinado localmente no browser usando TensorFlow.js em um Web Worker. Os vetores treinados são persistidos no PostgreSQL com pgvector, eliminando a necessidade de retreinamento a cada acesso.

---

🧠 Como funciona o modelo

1. Cada filme é codificado em um vetor numérico com base em: gênero (one-hot, peso 40%), classificação etária (one-hot, peso 30%), rating IMDb (normalizado, peso 20%) e faixa etária do público (peso 10%)
2. Cada usuário é representado pela média dos vetores dos filmes que assistiu
3. A rede neural recebe pares (usuário, filme) e aprende a prever se o usuário assistiria aquele filme
4. Para usuários sem histórico, o sistema usa similaridade por cosseno como fallback
5. Os vetores treinados são salvos no banco com pgvector para reuso sem retreinamento

---

🛠️ Stack Tecnológica

Camada	Tecnologia
Frontend	JavaScript Vanilla, Web Workers
Machine Learning	TensorFlow.js 4.22
Backend	Fastify 5, Node.js (ESM)
Banco de Dados	PostgreSQL 14 + pgvector
Containerização	Docker Compose
Arquitetura	Clean Architecture (backend)

---

📁 Estrutura do Projeto

├── frontend/
│   ├── src/
│   │   ├── workers/
│   │   │   └── modelTrainingWorker.js   # Treinamento ML em Web Worker
│   │   ├── service/MovieService.js      # Consumo da API
│   │   ├── controller/                  # Lógica de UI
│   │   └── events/constants.js          # Eventos entre Worker e UI
│   └── data/
│       ├── movies.json                  # 9.957 filmes (dataset base)
│       └── users.json                   # Perfis de usuários com histórico
│
└── backend/
    ├── server.js                        # Entrada Fastify
    ├── src/
    │   ├── domain/                      # Entidades e interfaces
    │   ├── application/useCases/        # InsertMovies, GetMovies, SaveVectors, GetVectors
    │   ├── infra/
    │   │   ├── database/
    │   │   │   ├── migrate.js           # Runner de migrations
    │   │   │   └── migrations/
    │   │   │       ├── 001_create_movies_table.sql
    │   │   │       └── 002_create_vector_tables.sql  # pgvector
    │   │   └── repositories/
    │   │       ├── MovieRepository.js
    │   │       └── VectorRepository.js
    │   └── interfaces/
    │       ├── controller/
    │       └── routes/

---

🚀 Como Executar

Pré-requisitos

• Node.js 18+
• Docker e Docker Compose
• Yarn

1. Subir o banco de dados

cd backend
docker compose up -d

2. Instalar dependências

# Na raiz do projeto
yarn install

3. Executar as migrations

cd backend
node src/infra/database/migrate.js

4. Iniciar o backend

# Na raiz
yarn dev:backend
# ou
cd backend && node --watch server.js

5. Iniciar o frontend

# Em outro terminal, na raiz
yarn dev:frontend

6. Importar os filmes para o banco

Faça uma requisição POST para importar os 9.957 filmes:

curl -X POST http://localhost:3001/movies/import

---

🔌 Endpoints da API

Método	Rota	Descrição
GET	/health	Status do servidor
POST	/movies/import	Importa filmes do JSON para o banco
GET	/movies?limit=50&offset=0	Lista filmes paginada
GET	/movies/:id	Busca filme por ID
POST	/vectors	Salva vetores treinados no banco
GET	/vectors	Retorna vetores da última sessão de treino

---

⚙️ Variáveis de Ambiente

Crie um arquivo .env dentro de backend/:

DB_HOST=localhost
DB_PORT=5432
DB_NAME=my_database
DB_USER=root
DB_PASSWORD=secret
PORT=3001

---

🧪 Fluxo de Uso

1. Abrir o frontend (localhost:3000)
2. Selecionar um usuário no select
3. Clicar em "Treinar Modelo"
   → Web Worker carrega 1.000 filmes do banco
   → Treina rede neural com class weights
   → Salva vetores no PostgreSQL via pgvector
4. Trocar de usuário → recomendações personalizadas imediatas
5. Ao recarregar a página → vetores são recuperados do banco (sem retreinamento)

---

📊 Dataset

• 9.957 filmes (títulos, gênero, rating IMDb, classificação etária, descrição)
• 5 perfis de usuários com 50 filmes assistidos cada
• Fonte: dataset público de filmes IMDb disponível no Kaggle

---

📄 Licença

MIT