Este repositorio contiene la implementación de un sistema de recomendaciones de películas basado en filtrado colaborativo (kNN), factorización matricial (SVD) y embeddings. Incluye tanto la parte de back-end (procesamiento de datos, entrenamiento de modelos, funciones cloud) como el front-end de la aplicación.

├── cloud_functions/           # Funciones desplegadas en la nube (Google Cloud Functions)
│   ├── get_history.py        # Devuelve el historial de valoraciones de un usuario
│   ├── get_movies.py         # Lista películas y metadatos
│   └── get_recommendations.py# Punto de entrada para generar recomendaciones via kNN o SVD
│
├── data/                     # Datos estáticos
│   └── ~.lock.movies_metadata.csv # Metadatos de películas (fichero de bloqueo)
│
├── front/                    # Aplicación web en React para visualizar el sistema de recomendación
│   ├── public/               # Archivos estáticos (favicon, assets, etc.)
│   └── src/                  # Código fuente en React (JS/TS, componentes, estilos)
│
├── notebooks/                # Cuadernos Jupyter para exploración y entrenamiento
│   ├── get_embeddings.ipynb  # Generación de embeddings de películas
│   ├── get_img.ipynb         # Procesado y descarga de imágenes de carátulas
│   ├── knn_model.ipynb       # Entrenamiento y validación de modelo kNN
│   ├── SVD_ratings_small.ipynb# Implementación de SVD en subconjunto de datos
│   ├── main.ipynb            # Pipeline completo de pre-procesado y recomendaciones
│   └── migrate_GCP.ipynb     # Migración y carga de datos a Google Cloud Platform
│
├── sql/                      # Scripts para BigQuery y consultas SQL
│   ├── BigQueryML_Ratings.sql# Entrenamiento de modelos en BigQuery ML
│   └── ratings-2000.sql      # Importación y filtrado de ratings (>=2000 votos)
│
├── README.md                 # Documentación principal (este fichero)
├── package.json              # Dependencias y scripts del front-end
├── tsconfig*.json            # Configuración TypeScript
└── vite.config.ts            # Configuración de Vite

• Node.js ≥ 16
• Python ≥ 3.8 y pip
• Google Cloud SDK (para desplegar funciones)
• Acceso a BigQuery (opcional)

cd front
npm install
npm run dev      # Levanta servidor en http://localhost:5173

1. Crear y activar un entorno virtual:

   python -m venv .venv
   source .venv/bin/activate
   pip install -r requirements.txt

2. Ejecutar los notebooks en orden:
   • ratings-2000.sql para cargar y filtrar valoraciones.
   • migrate_GCP.ipynb para subir datos a GCP (opcional).
   • knn_model.ipynb o SVD_ratings_small.ipynb según el enfoque.
   • get_embeddings.ipynb y get_img.ipynb para enriquecer con embeddings e imágenes.
   • main.ipynb para orquestar todo el pipeline.

1. Autenticar GCP: gcloud auth login
2. Seleccionar proyecto: gcloud config set project YOUR_PROJECT_ID
3. Desplegar cada función:

   gcloud functions deploy get_history     --runtime python39 --trigger-http --allow-unauthenticated
   gcloud functions deploy get_movies      --runtime python39 --trigger-http --allow-unauthenticated
   gcloud functions deploy get_recommendations --runtime python39 --trigger-http --allow-unauthenticated

1. El cliente (front-end) solicita recomendaciones para un userId.
2. La función get_recommendations recibe la petición y carga el modelo (kNN o SVD).
3. Se invoca la función recommend_knn o su análogo SVD para generar un vector de scores.
4. Se filtran las películas ya vistas y se devuelven los n IDs con mayor puntuación.
5. El front-end consulta metadatos (get_movies) para mostrar título, carátula y sinopsis.

¡Las contribuciones son bienvenidas! Por favor, abre un issue o un pull request con mejoras:

• Nuevas métricas de evaluación
• Optimización del pipeline de datos
• Integración de métodos híbridos o basados en contenido

Este proyecto está bajo la licencia MIT. Consulta el fichero LICENSE.md para más detalles.