CineGraph
Une appli peut-elle apprendre mes goûts en films, musique et cuisine en quelques swipes, et justifier chaque choix ?

Pourquoi je l’ai construit
Je voulais un moteur de goûts qui explique chaque recommandation et fonctionne sans serveur, pour que ma mémoire reste sur mon appareil. Films, séries, musique, recettes, voyages, voitures et style, appris en quelques swipes.
Ce que fait le projet
Un moteur de goûts personnel qui tourne entièrement dans le navigateur. Un job GitHub Actions hebdomadaire construit un graphe de connaissances, des embeddings et un modèle de filtrage collaboratif à partir de TMDB, Wikidata et MovieLens ; l'appli classe, apprend en ligne à chaque réponse et garde sa mémoire sur l'appareil.
À regarder
- Classement hybride : chemins dans le graphe, embeddings et ALS implicite, calculés sur l'appareil.
- L'apprentissage actif choisit la carte suivante ; un ranker logistique et un bandit de Thompson s'adaptent à chaque réponse.
- PWA installable sans serveur : export statique sur GitHub Pages, mémoire dans IndexedDB.
Sous le capot
Collecte hebdomadaire
Un job GitHub Actions récupère TMDB, Wikidata et MovieLens dans Postgres avec pgvector.
Trois types de signal
Un graphe de connaissances, des embeddings de texte (fastembed bge-small) et un modèle de filtrage collaboratif (ALS implicite).
Export statique
JSON et matrices int8 publiés comme ressource de release et servis par GitHub Pages : aucun backend.
Classement dans le navigateur
La PWA classe avec des variables, des chemins dans le graphe et un repliement du filtrage collaboratif, le tout calculé sur l’appareil.
Apprendre de chaque réponse
L’apprentissage actif bayésien choisit la carte suivante ; un ranker logistique et un bandit de Thompson s’adaptent. La mémoire vit dans IndexedDB.