Create app.py

app.py

@@ -0,0 +1,38 @@
+import gradio as gr
+from sentence_transformers import SentenceTransformer, util
+import pandas as pd
+
+# Stap 1: laadt het fine-tuned movie-recommender-model
+# Model ID: JJTsao/fine-tuned_movie_retriever-bge-base-en-v1.5
+model = SentenceTransformer("JJTsao/fine-tuned_movie_retriever-bge-base-en-v1.5")
+
+# Stap 2: laad 'movies.csv' (zorg dat dit bestand al bestaat)
+movies = pd.read_csv("movies.csv")
+# Bereken embeddings voor elke filmtitel (eenmalig bij opstart)
+movie_embeddings = model.encode(movies["title"].tolist(), convert_to_tensor=True)
+
+def recommend(favorite_movie: str):
+    """
+    Krijg vijf aanbevolen titels op basis van de opgegeven film of omschrijving.
+    """
+    # Encode de user-input
+    query_embedding = model.encode(favorite_movie, convert_to_tensor=True)
+    # Bereken cosine similarity met alle films in 'movies.csv'
+    cos_scores = util.cos_sim(query_embedding, movie_embeddings)[0]
+    # Pak de top-5 indices (hoogste scores)
+    top_indices = cos_scores.topk(k=5).indices.tolist()
+    # Geef de corresponderende titels terug
+    recommendations = [movies["title"].iloc[i] for i in top_indices]
+    return recommendations
+
+# Gradio-interface definieren:
+iface = gr.Interface(
+    fn=recommend,
+    inputs=gr.Textbox(lines=1, placeholder="Typ hier een filmtitel of omschrijving...", label="Jouw favoriete film"),
+    outputs=gr.Textbox(label="Aanbevolen titels"),
+    title="StreamVibe Recommender",
+    description="Geef je favoriete film of omschrijving, en krijg 5 vergelijkbare titels uit je eigen lijst."
+)
+
+if __name__ == "__main__":
+    iface.launch()