具有不同解释层级的电影推荐系统产品系统Vibe Coding

随着互联网影视内容的爆发式增长，用户在海量影片资源中面临严重的信息过载，个性化推荐系统已成为影视平台缓解信息过载、提升用户体验的核心技术支撑。但传统电影推荐系统普遍以 “黑箱” 模式运行，仅向用户输出最终的推荐结果，其内部的决策逻辑、偏好匹配规则对用户不透明，这不仅制约了用户对推荐结果的信任度与接受度，也易导致用户陷入信息茧房，无法获得多元化的内容推荐。当前主流的可解释推荐方案仍存在诸多核心痛点，基于固定模板的解释方法可调特征维度有限，无法动态适配用户多样化的认知风格与解释深度需求，基于通用大语言模型的解释生成方法则存在模板化严重、内容 “幻觉” 问题突出的缺陷，解释内容与底层推荐逻辑的因果一致性难以保障，同时绝大多数推荐系统仅向用户输出固定形式的解释结果，并未赋予用户审查、修正推荐推理过程的权限，用户对推荐系统的自主权与感知透明度仍然较低。针对上述行业与技术领域的核心痛点，本项目研发了《具有不同层级解释的电影推荐系统 V1.0》，以具备规划、记忆与画像分析能力的 ExplanationAgent 智能体为核心，搭建起具有不同层级的解释框架，在为用户提供精准个性化电影推荐的同时，通过差异化的层级解释体系适配从普通观影用户到专业研究者的各种需求，为破解传统推荐系统的黑箱难题提供参考。

本系统围绕 ExplanationAgent 智能体构建起具有不同层级解释的推荐系统，首先具备完善的账号管理能力，覆盖用户注册、登录流程，用户所有的行为数据、偏好画像、推荐反馈均与账号绑定，保障数据的连续性与安全性，同时提供全面的电影浏览与互动功能，支持热门影片展示、多维度分类筛选，用户可对影片进行点赞、收藏、评分等互动操作，所有互动行为都会实时同步至用户画像模块，作为偏好计算与推荐优化的核心依据。系统的核心功能为具有不同层级解释的推荐，可基于用户的历史交互数据构建动态更新的偏好画像，结合协同过滤与基于内容的混合推荐算法生成精准的个性化 Top-N 推荐列表，同时配套完整的多层级解释能力，通过 What 解释向用户完整披露系统掌握的多维度个人偏好画像，通过 What-if 解释为用户提供可视化的偏好调整控件，让用户可动态干预推荐结果，通过两级 Why 解释分别为用户提供轻量化的一句话推荐理由与数据化的完整论证链条，通过 How 解释以可视化流程图的形式向用户展示推荐全链路的计算过程。

我负责全部任务。包括模型微调，推荐算法。
本系统采用前后端分离的模块化架构进行开发，各业务模块均选用适配场景需求的开发语言与技术栈，充分保障系统的稳定性、扩展性与可维护性，其中后端服务与核心算法模块采用flask框架进行开发，主要用于 ExplanationAgent 智能体逻辑开发、混合推荐算法实现、LoRA 适配器微调与推理、API 接口开发、数据处理与数据集适配等核心工作，配套使用 PyTorch、Transformers、PEFT、Flask、Pandas、NumPy、Scikit-learn 等主流依赖库，为系统的核心算法能力提供稳定支撑；前端界面与交互式可视化模块基于 Vue.js 3.0 框架搭建，采用 JavaScript 语言进行开发，主要实现用户交互界面开发、多层级解释内容可视化展示、What-if 滑块控件实现、Mermaid 流程图渲染、路由管理与接口请求处理等功能，配套使用 Vue Router、Axios、Element Plus、Mermaid、ECharts 等依赖，保障前端交互的流畅性与可视化效果的完整性；数据库与数据存储模块采用标准 SQL 语言进行开发，主要用于数据库表结构设计、用户行为数据存储、推荐记录与解释内容管理、电影元数据存储等工作，兼容 MySQL 8.0 及以上、PostgreSQL 12 及以上两种主流关系型数据库，可灵活适配不同的部署环境；大语言模型与微调模块以 Qwen2.5-0.5B作为基础模型，采用 LoRA 低秩自适应高效微调方法，针对三类核心解释任务分别训练了专用的轻量级适配器，在保障生成效果的同时大幅降低了部署与微调的硬件门槛。