Apppublic

Shuyi/movie-content-filtering

sourceHugging Faceupdated 4mo agoView on Hugging Face

0likes

App README

基于内容的电影推荐（Gradio 6 现代版）

机器学习课程演示项目：用 MovieLens 100K 的类型特征做基于内容的电影推荐，按 Gradio 6.x 新范式构建。

—数据：MovieLens 100K（movie_lens_100K_demo/u.item，1682 部电影）
—特征：19 个类型（genre）0/1 列
—算法：余弦相似度，返回最相似的 k 部电影

用到的 Gradio 6 新能力

特性	在本应用中的体现
`gr.HTML` 模板组件	推荐结果用 `html_template`（Handlebars 循环）+ `css_template`（自动 scoped CSS）渲染为卡片 UI：排名徽章、类型 chips、相似度渐变条
`mcp_server=True`	`recommend` 函数自动暴露为 MCP 工具，Claude 等 AI Agent 可直接调用
`gr.api()`	注册干净的 REST 端点 `/recommend`，支持电影名模糊匹配
`@gr.cache`	缓存确定性推荐函数，重复查询零计算
实时响应	`gr.on([demo.load, movie.change, k.change], ...)`，无 Submit 按钮
`api_visibility="private"`	UI 内部更新事件不污染对外 API 文档
`launch(theme=..., css=...)`	Gradio 6 规范：主题/样式参数移到 `launch()`；Ocean 主题
`pwa=True`	可安装为桌面/移动应用
`footer_links`	页脚仅保留 API 和 Gradio 标识

本地运行

bash

pip install -r requirements.txt   # gradio[mcp]>=6.16
python app.py

浏览器访问 <http://127.0.0.1:7860>。

作为 MCP 服务使用

启动后 MCP 端点为 http://127.0.0.1:7860/gradio_api/mcp/。在 Claude Code 等 MCP 客户端中配置：

json

{
  "mcpServers": {
    "movie-recommender": {
      "url": "http://127.0.0.1:7860/gradio_api/mcp/"
    }
  }
}

之后 Agent 即可直接调用 recommend(movie="Star Wars", k=5)。

已知问题（为什么结果区不用 gr.Dataframe）

Gradio 6.16.0 的 gr.Dataframe 存在前端 bug：事件更新只会 patch 单元格内容，行数被冻结在首次渲染的值（k 从 5 调到 10 时表格始终 5 行；已用最小用例确认与触发组件、Styler、 show_progress 均无关）。本应用改用 gr.HTML 模板渲染结果，既绕开该 bug，视觉效果也更好。若未来版本修复，可重新评估。

文件结构

content-filtering-v6/
├── app.py                  # 数据加载、相似度、卡片模板、UI、API/MCP
├── requirements.txt
└── movie_lens_100K_demo/
    ├── u.item              # 电影元数据 + 类型特征（本应用使用）
    └── u.data              # 评分数据（未使用，保留备扩展）

部署到 Hugging Face Spaces

app.py + requirements.txt 即 Spaces 标准结构，新建 Gradio 类型 Space 后上传整个目录即可；MCP 端点在 Spaces 上同样可用。