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()