MoviesRec：融合大语言模型与协同过滤的智能对话式电影推荐系统

MoviesRec是一款创新的智能对话式电影推荐系统，核心在于融合大语言模型（LLM）的推理对话能力与传统协同过滤算法的精准性。通过LangGraph工作流编排，实现自然语言理解、SQL动态过滤、SVD协同过滤排序、多样性重排及智能总结的全流程自动化推荐，解决传统推荐系统缺乏深度意图理解和自然交互的痛点。

在信息爆炸时代，传统推荐系统依赖历史评分机械推荐，缺乏对用户意图的深度理解和自然交互能力。MoviesRec作为开源系统，采用"混合架构"理念：既弥补纯LLM在个性化推荐精准度上的局限，又解决传统协同过滤缺乏自然对话能力的问题，通过LangGraph构建兼具深度理解与精准推荐的智能系统。

MoviesRec基于状态驱动计算图，包含五个关键节点：

1. 意图分析节点：解析用户自然语言输入，提取类型、风格等关键偏好；
2. SQL过滤节点：动态生成SQL查询，从元数据库筛选候选电影；
3. 协同过滤节点：用scikit-surprise的SVD模型，基于用户-物品评分数据预测并排序；
4. 多样性重排节点：通过聚类分析优化推荐多样性，避免同质化；
5. 总结生成节点：用LLM将结果转化为自然对话回复，提升交互亲切感。

技术选型涵盖：

• 后端：FastAPI+Uvicorn构建高性能API，支持异步与Swagger文档；
• LLM编排：LangChain+LangGraph实现工作流，DeepAgents提供智能体能力；
• 机器学习：scikit-surprise（SVD）、scikit-learn（聚类）、Pandas/NumPy处理数据；
• 数据管理：SQLite存储元数据，JSON持久化会话状态；
• 模型训练：离线脚本svd_model_trainer.py训练并保存模型，svd_model_predictor.py实时预测。

MoviesRec的核心优势包括：

• 自然交互：支持日常语言描述需求，主动澄清引导；
• 精准推荐：协同过滤基于真实用户行为，避免LLM"幻觉"；
• 可解释性：推荐环节透明，可解释推荐理由；
• 可扩展性：模块化设计，支持替换算法或LLM提供商。

部署步骤：

1. 配置OpenAI API密钥；
2. 准备电影数据集（movies.csv、ratings.csv等）；
3. 运行SVD模型训练脚本；
4. 启动FastAPI服务（默认监听8000端口）；
5. 通过Swagger UI测试端点。

MoviesRec代表推荐系统的重要方向——传统算法与新兴AI能力的融合：LLM负责"理解"与"表达"，协同过滤负责"精准推荐"，相辅相成。对AI开发者而言，提供了工作流设计、状态管理、效率与质量平衡的参考架构。未来，混合架构有望在更多垂直领域应用。