bipartite_graph.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# 이분 그래프 기반 추천 시스템 테스트"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 184,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Epoch 0, Loss: 0.6935786008834839\n",
      "Epoch 10, Loss: 0.3409143388271332\n",
      "Epoch 20, Loss: 0.0490550771355629\n",
      "Epoch 30, Loss: 0.055342018604278564\n",
      "Epoch 40, Loss: 0.13991595804691315\n",
      "Epoch 50, Loss: 0.09257462620735168\n",
      "Epoch 60, Loss: 0.02048284187912941\n",
      "Epoch 70, Loss: 0.01268954761326313\n",
      "Epoch 80, Loss: 0.03280670940876007\n",
      "Epoch 90, Loss: 0.015053675509989262\n",
      "Epoch 100, Loss: 0.05631186068058014\n",
      "Epoch 110, Loss: 0.009037458337843418\n",
      "Epoch 120, Loss: 0.0011791532160714269\n",
      "Epoch 130, Loss: 0.07013938575983047\n",
      "Epoch 140, Loss: 0.0015428961487486959\n",
      "Epoch 150, Loss: 0.016584260389208794\n",
      "Epoch 160, Loss: 0.004368618596345186\n",
      "Epoch 170, Loss: 0.00032446198747493327\n",
      "Epoch 180, Loss: 0.021462123841047287\n",
      "Epoch 190, Loss: 0.02822306752204895\n",
      "Epoch 200, Loss: 0.005328413564711809\n",
      "Epoch 210, Loss: 0.028836410492658615\n",
      "Epoch 220, Loss: 0.04935828596353531\n",
      "Epoch 230, Loss: 0.04468010738492012\n",
      "Early stopping at epoch 233\n",
      "Scores for positive edges:\n",
      "tensor([1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000])\n",
      "Scores for negative edges:\n",
      "tensor([4.7113e-07, 3.7198e-09, 1.0137e-06, 1.5285e-05, 5.4065e-04, 6.4068e-05,\n",
      "        4.7794e-06, 5.7094e-06, 2.2874e-07, 2.6278e-04, 9.6708e-05, 5.0524e-05,\n",
      "        2.2801e-05, 4.2353e-06, 3.1051e-04, 3.7824e-06, 8.3620e-07, 3.3739e-08,\n",
      "        4.7113e-07, 3.7198e-09, 1.0137e-06, 1.5285e-05, 5.4065e-04, 6.4068e-05,\n",
      "        4.7794e-06, 5.7094e-06, 2.2874e-07, 2.6278e-04, 9.6708e-05, 5.0524e-05,\n",
      "        2.2801e-05, 4.2353e-06, 3.1051e-04, 3.7824e-06, 8.3620e-07, 3.3739e-08,\n",
      "        6.7694e-06, 1.5277e-05, 3.3762e-07, 1.6216e-05, 2.5211e-03, 9.2394e-04,\n",
      "        2.5601e-04, 2.5488e-07, 4.1177e-07, 3.7883e-04, 8.5233e-05, 4.2558e-06,\n",
      "        4.2869e-05, 4.2009e-05, 1.5675e-03, 6.8711e-06, 1.0147e-06, 1.0528e-06,\n",
      "        4.7113e-07, 3.7198e-09, 1.0137e-06, 1.5285e-05, 5.4065e-04, 6.4068e-05,\n",
      "        7.4239e-09, 1.0936e-09, 5.0827e-10, 5.1206e-08, 9.6907e-09, 1.9110e-09,\n",
      "        3.0628e-08, 4.4272e-09, 2.4793e-09, 2.5502e-07, 3.9467e-08, 7.0339e-09,\n",
      "        6.8547e-08, 9.6967e-09, 5.3987e-09, 8.4225e-07, 7.3780e-08, 1.1924e-08,\n",
      "        4.5274e-09, 5.7379e-10, 2.9403e-10, 4.3013e-08, 5.9325e-09, 1.2309e-09,\n",
      "        1.8473e-07, 9.8070e-07, 2.2918e-06, 2.5691e-06, 9.5753e-08, 1.3683e-07,\n",
      "        1.8473e-07, 9.8070e-07, 2.2918e-06, 2.5691e-06, 9.5754e-08, 1.3683e-07,\n",
      "        1.8473e-07, 9.8070e-07, 2.2918e-06, 2.5691e-06, 9.5753e-08, 1.3683e-07,\n",
      "        1.8473e-07, 9.8070e-07, 2.2918e-06, 2.5691e-06, 9.5754e-08, 1.3683e-07,\n",
      "        2.8022e-09, 1.7413e-08, 1.6086e-08, 2.7062e-10, 1.0437e-08, 1.1090e-07,\n",
      "        2.8022e-09, 1.7413e-08, 1.6086e-08, 2.7062e-10, 1.0437e-08, 1.1090e-07,\n",
      "        2.8022e-09, 1.7413e-08, 1.6086e-08, 2.7062e-10, 1.0437e-08, 1.1090e-07,\n",
      "        2.8022e-09, 1.7413e-08, 1.6086e-08, 2.7062e-10, 1.0437e-08, 1.1090e-07])\n"
     ]
    }
   ],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "import torch\n",
    "import torch.nn as nn\n",
    "import torch.nn.functional as F\n",
    "from torch_geometric.nn import GCNConv\n",
    "from torch_geometric.data import Data\n",
    "\n",
    "# 예시 유저 데이터\n",
    "interactions_pos = pd.DataFrame(columns=['user_id', 'movie_id'])\n",
    "interactions_neg = pd.DataFrame(columns=['user_id', 'movie_id'])\n",
    "\n",
    "# 새로운 사용자 데이터\n",
    "new_users_pos = [\n",
    "    [4604, 4845, 5419, 300, 4165, 4788, 4548],  # 사용자 11\n",
    "    [4604, 4845, 5419, 300, 4108, 3799, 5543],  # 사용자 12\n",
    "    [4604, 4845, 5419, 300, 5502, 3802, 3201],  # 사용자 13\n",
    "    [4604, 4845, 5419, 300, 4165, 4788, 3928],  # 사용자 14\n",
    "    [4769, 5077, 5778, 5210, 6072, 3973, 4817],  # 사용자 15\n",
    "    [4769, 5077, 5778, 5210, 6072, 3973, 4817],  # 사용자 16\n",
    "    [4769, 5077, 5778, 5210, 6072, 3973, 4817],  # 사용자 17\n",
    "    [4769, 5077, 5778, 5210, 6072, 3973, 4817],  # 사용자 18\n",
    "    [3649, 1124, 6072, 3973, 4817, 6636, 6364],  # 사용자 19\n",
    "    [3649, 1124, 6072, 3973, 4817, 6636, 6364],  # 사용자 20\n",
    "    [3649, 1124, 6072, 3973, 4817, 6636, 6364],  # 사용자 21\n",
    "    [3649, 1124, 6072, 3973, 4817, 6636, 6364]   # 사용자 22\n",
    "]\n",
    "\n",
    "new_users_neg = [\n",
    "    [4763, 5701, 4477, 3095, 5103, 2724],  # 사용자 11\n",
    "    [4763, 5701, 4477, 3095, 5103, 2724],  # 사용자 12\n",
    "    [4763, 5701, 4477, 3095, 5103, 2724],  # 사용자 13\n",
    "    [4763, 5701, 4477, 3095, 5103, 2724],  # 사용자 14\n",
    "    [5502, 3802, 4788, 4165, 5737, 4815],  # 사용자 15\n",
    "    [5502, 3802, 4788, 4165, 5737, 4815],  # 사용자 16\n",
    "    [5502, 3802, 4788, 4165, 5737, 4815],  # 사용자 17\n",
    "    [5502, 3802, 4788, 4165, 5737, 4815],  # 사용자 18\n",
    "    [4604, 4845, 5419, 300, 5502, 3802],  # 사용자 19\n",
    "    [4604, 4845, 5419, 300, 5502, 3802],  # 사용자 20\n",
    "    [4604, 4845, 5419, 300, 5502, 3802],  # 사용자 21\n",
    "    [4604, 4845, 5419, 300, 5502, 3802]   # 사용자 22\n",
    "]\n",
    "\n",
    "# 기존 사용자 데이터\n",
    "mixed1_pos = [5502, 3802, 5737, 4815, 4548, 3973, 4817]\n",
    "mixed1_neg = [5103, 2724, 5778, 4769, 4845, 4604]\n",
    "\n",
    "mixed2_pos = [4788, 4165, 105, 3008, 5543, 6072, 3649]\n",
    "mixed2_neg = [96, 4754, 5077, 5210, 300, 5100]\n",
    "\n",
    "mixed3_pos = [4108, 3799, 4894, 5210, 3928, 4945, 6636]\n",
    "mixed3_neg = [4248, 4716, 5737, 4769, 5419, 4604]\n",
    "\n",
    "mixed4_pos = [5502, 3802, 5737, 4815, 4548, 3973, 4817]\n",
    "mixed4_neg = [5103, 2724, 5778, 4769, 4845, 4604]\n",
    "\n",
    "mixed5_pos = [4788, 4165, 105, 3008, 5543, 6072, 3649]\n",
    "mixed5_neg = [96, 4754, 5077, 5210, 300, 5100]\n",
    "\n",
    "mixed6_pos = [4108, 3799, 4894, 5210, 3928, 4945, 6636]\n",
    "mixed6_neg = [4248, 4716, 5737, 4769, 5419, 4604]\n",
    "\n",
    "mixed7_pos = [4788, 4165, 5737, 4815, 4548, 3973, 4817]\n",
    "mixed7_neg = [96, 4754, 5778, 4769, 300, 4604]\n",
    "\n",
    "mixed8_pos = [4108, 3799, 105, 3008, 5543, 6072, 3649]\n",
    "mixed8_neg = [4248, 4716, 5077, 5210, 5419, 5100]\n",
    "\n",
    "mixed9_pos = [4788, 4165, 4894, 5210, 3928, 4945, 6636]\n",
    "mixed9_neg = [96, 4754, 5737, 4769, 300, 4604]\n",
    "\n",
    "mixed10_pos = [5502, 3802, 5737, 4815, 4548, 3973, 4817]\n",
    "mixed10_neg = [5103, 2724, 5778, 4769, 4845, 4604]\n",
    "\n",
    "# 사용자 추가\n",
    "additional_user_id = 0  # 새로운 유저 ID\n",
    "\n",
    "# 기존 유저 데이터 추가\n",
    "all_pos_samples = [\n",
    "    mixed1_pos, mixed2_pos, mixed3_pos, mixed4_pos, mixed5_pos,\n",
    "    mixed6_pos, mixed7_pos, mixed8_pos, mixed9_pos, mixed10_pos\n",
    "]\n",
    "\n",
    "all_neg_samples = [\n",
    "    mixed1_neg, mixed2_neg, mixed3_neg, mixed4_neg, mixed5_neg,\n",
    "    mixed6_neg, mixed7_neg, mixed8_neg, mixed9_neg, mixed10_neg\n",
    "]\n",
    "\n",
    "# 새로운 사용자 데이터와 기존 사용자 데이터 합치기\n",
    "all_pos_samples.extend(new_users_pos)\n",
    "all_neg_samples.extend(new_users_neg)\n",
    "\n",
    "# 각 유저에 대한 긍정적 샘플 추가\n",
    "for i, pos_samples in enumerate(all_pos_samples):\n",
    "    user_id = additional_user_id + i\n",
    "    for movie_id in pos_samples:\n",
    "        interactions_pos = pd.concat([interactions_pos, pd.DataFrame({'user_id': [user_id], 'movie_id': [movie_id]})], ignore_index=True)\n",
    "\n",
    "# 각 유저에 대한 부정적 샘플 추가\n",
    "for i, neg_samples in enumerate(all_neg_samples):\n",
    "    user_id = additional_user_id + i\n",
    "    for movie_id in neg_samples:\n",
    "        interactions_neg = pd.concat([interactions_neg, pd.DataFrame({'user_id': [user_id], 'movie_id': [movie_id]})], ignore_index=True)\n",
    "\n",
    "users = pd.DataFrame(columns=['user_id'])\n",
    "users['user_id'] = interactions_pos['user_id'].unique()\n",
    "\n",
    "num_users = users.shape[0]\n",
    "\n",
    "# 영화 features\n",
    "movie_features = torch.from_numpy(np.load(\"final_features_0528.npy\")).float()\n",
    "\n",
    "num_movies = movie_features.size(0)\n",
    "num_in_features = movie_features.size(1)\n",
    "num_out_features = movie_features.size(1)\n",
    "\n",
    "# user indices, movie indices 생성\n",
    "user_id_to_index = {user_id: idx for idx, user_id in enumerate(users['user_id'])}\n",
    "movie_id_to_index = {movie_id: idx for idx, movie_id in enumerate(range(num_movies))}\n",
    "\n",
    "# 유저 - 영화 간 상호작용 edge index로 변환\n",
    "user_indices = interactions_pos['user_id'].apply(lambda x: user_id_to_index[x])\n",
    "movie_indices = interactions_pos['movie_id'].apply(lambda x: num_users + movie_id_to_index[x])  # 유저 수만큼 offset 추가\n",
    "\n",
    "edge_index = torch.tensor([user_indices.values, movie_indices.values], dtype=torch.long)\n",
    "\n",
    "# 유저 초기 임베딩 생성\n",
    "user_embedding = torch.zeros(num_users, num_in_features)\n",
    "# 좋아하는 영화의 평균으로 유저 임베딩 생성\n",
    "for user_id in users['user_id']:\n",
    "    user_idx = user_id_to_index[user_id]\n",
    "    movie_idxs = interactions_pos[interactions_pos['user_id'] == user_id]['movie_id'].apply(lambda x: movie_id_to_index[x])\n",
    "    user_movie_features = movie_features[movie_idxs.values].mean(dim=0)\n",
    "    user_embedding[user_idx] = user_movie_features\n",
    "# # 유저 초기 임베딩을 xavier 초기화\n",
    "# nn.init.xavier_uniform_(user_embedding)  # initialize user features with xavier initialization\n",
    "# 영화 feature와 유저 feature 합치기\n",
    "x = torch.cat([user_embedding, movie_features], dim=0)\n",
    "\n",
    "data = Data(x=x, edge_index=edge_index)\n",
    "\n",
    "class GCNLinkPredictor(nn.Module):\n",
    "    def __init__(self, num_in_features, num_out_features=128, num_users=num_users):\n",
    "        super().__init__()\n",
    "        self.conv1 = GCNConv(num_in_features, num_out_features)\n",
    "        self.conv2 = GCNConv(num_out_features, num_out_features)\n",
    "        self.num_users = num_users\n",
    "\n",
    "    def forward(self, x, edge_index):\n",
    "        user_embedding = x[:self.num_users]\n",
    "        movie_features = x[self.num_users:].detach()\n",
    "        \n",
    "        x = torch.cat([user_embedding, movie_features], dim=0)\n",
    "        x = self.conv1(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        x = self.conv2(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        \n",
    "        x[self.num_users:] = movie_features\n",
    "        return x\n",
    "\n",
    "# 유저 - 영화 간 edge를 입력받아 유저-영화 간 관계 예측\n",
    "class LinkPredictor(nn.Module):\n",
    "    # 비선형으로 개선\n",
    "    def __init__(self, input_dim):\n",
    "        super().__init__()\n",
    "        self.fc1 = nn.Linear(input_dim * 2, input_dim * 2)\n",
    "        self.fc2 = nn.Linear(input_dim * 2, input_dim)\n",
    "        self.fc3 = nn.Linear(input_dim, input_dim)\n",
    "        self.fc4 = nn.Linear(input_dim, 1)\n",
    "        self.dropout = nn.Dropout(p=0.5)\n",
    "\n",
    "    def forward(self, z, edge_index):\n",
    "        row, col = edge_index\n",
    "        z_row = z[row]\n",
    "        z_col = z[col]\n",
    "        \n",
    "        # 임베딩 연결\n",
    "        z_concat = torch.cat([z_row, z_col], dim=1)\n",
    "        \n",
    "        # 비선형 활성화 함수\n",
    "        x = F.relu(self.fc1(z_concat))\n",
    "        \n",
    "        # 정규화를 위한 드롭아웃\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc2(x))\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc3(x))\n",
    "        x = self.dropout(x)\n",
    "        \n",
    "        # 두 번째 선형 계층 및 시그모이드 활성화 적용\n",
    "        return torch.sigmoid(self.fc4(x))\n",
    "\n",
    "# 모델 초기화\n",
    "gcn_model = GCNLinkPredictor(num_in_features, num_out_features, num_users)\n",
    "link_predictor = LinkPredictor(num_out_features)\n",
    "\n",
    "# Negative sampling: 다른 유저와 연결된 영화를 negative sample로 선정\n",
    "def negative_sampling(interactions, num_users):\n",
    "    user_indices = interactions['user_id'].apply(lambda x: user_id_to_index[x])\n",
    "    movie_indices = interactions['movie_id'].apply(lambda x: num_users + x)  # 유저 수만큼 offset 추가\n",
    "\n",
    "    neg_edge_index = torch.tensor([user_indices.values, movie_indices.values], dtype=torch.long)\n",
    "\n",
    "    return neg_edge_index\n",
    "\n",
    "neg_edge_index = negative_sampling(interactions_neg, num_users)\n",
    "\n",
    "\n",
    "# positive, negative samples 합치기\n",
    "train_edge_index = torch.cat([edge_index, neg_edge_index], dim=1)\n",
    "train_labels = torch.cat([torch.ones(edge_index.size(1)), torch.zeros(neg_edge_index.size(1))])\n",
    "\n",
    "# Train 함수 정의\n",
    "def train(model, predictor, data, train_edge_index, train_labels, optimizer, epochs=200, patience=100):\n",
    "    model.train()\n",
    "    predictor.train()\n",
    "    criterion = nn.BCELoss()\n",
    "    best_loss = float('inf')\n",
    "\n",
    "    for epoch in range(epochs):\n",
    "        optimizer.zero_grad()\n",
    "        node_embeddings = model(data.x, data.edge_index)\n",
    "        scores = predictor(node_embeddings, train_edge_index)\n",
    "        loss = criterion(scores.squeeze(), train_labels)\n",
    "        loss.backward()\n",
    "        optimizer.step()\n",
    "\n",
    "        if epoch % 10 == 0:\n",
    "            print(f'Epoch {epoch}, Loss: {loss.item()}')\n",
    "        \n",
    "        # Early stopping\n",
    "        if loss.item() < best_loss:\n",
    "            best_loss = loss.item()\n",
    "            patience_counter = 0\n",
    "        else:\n",
    "            patience_counter += 1\n",
    "        \n",
    "        if patience_counter >= patience:\n",
    "            print(f'Early stopping at epoch {epoch}')\n",
    "            break\n",
    "\n",
    "# Initialize optimizer\n",
    "optimizer = torch.optim.Adam(list(gcn_model.parameters()) + list(link_predictor.parameters()), lr=0.005)\n",
    "\n",
    "# 모델 학습\n",
    "train(gcn_model, link_predictor, data, train_edge_index, train_labels, optimizer, epochs=300)\n",
    "\n",
    "# 학습된 모델을 사용하여 positive, negative 간선의 점수 확인\n",
    "def check_positive_negative_edge_scores(model, predictor, data, edge_index, neg_edge_index):\n",
    "    model.eval()\n",
    "    predictor.eval()\n",
    "    with torch.no_grad():\n",
    "        node_embeddings = model(data.x, data.edge_index)\n",
    "        pos_scores = predictor(node_embeddings, edge_index)\n",
    "        neg_scores = predictor(node_embeddings, neg_edge_index)\n",
    "        print(\"Scores for positive edges:\")\n",
    "        print(pos_scores.squeeze())\n",
    "        print(\"Scores for negative edges:\")\n",
    "        print(neg_scores.squeeze())\n",
    "\n",
    "check_positive_negative_edge_scores(gcn_model, link_predictor, data, edge_index, neg_edge_index)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 185,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(tensor([[   0,    0,    0,    0,    0,    0,    0,    1,    1,    1,    1,    1,\n",
       "             1,    1,    2,    2,    2,    2,    2,    2,    2,    3,    3,    3,\n",
       "             3,    3,    3,    3,    4,    4,    4,    4,    4,    4,    4,    5,\n",
       "             5,    5,    5,    5,    5,    5,    6,    6,    6,    6,    6,    6,\n",
       "             6,    7,    7,    7,    7,    7,    7,    7,    8,    8,    8,    8,\n",
       "             8,    8,    8,    9,    9,    9,    9,    9,    9,    9,   10,   10,\n",
       "            10,   10,   10,   10,   10,   11,   11,   11,   11,   11,   11,   11,\n",
       "            12,   12,   12,   12,   12,   12,   12,   13,   13,   13,   13,   13,\n",
       "            13,   13,   14,   14,   14,   14,   14,   14,   14,   15,   15,   15,\n",
       "            15,   15,   15,   15,   16,   16,   16,   16,   16,   16,   16,   17,\n",
       "            17,   17,   17,   17,   17,   17,   18,   18,   18,   18,   18,   18,\n",
       "            18,   19,   19,   19,   19,   19,   19,   19,   20,   20,   20,   20,\n",
       "            20,   20,   20,   21,   21,   21,   21,   21,   21,   21],\n",
       "         [5524, 3824, 5759, 4837, 4570, 3995, 4839, 4810, 4187,  127, 3030, 5565,\n",
       "          6094, 3671, 4130, 3821, 4916, 5232, 3950, 4967, 6658, 5524, 3824, 5759,\n",
       "          4837, 4570, 3995, 4839, 4810, 4187,  127, 3030, 5565, 6094, 3671, 4130,\n",
       "          3821, 4916, 5232, 3950, 4967, 6658, 4810, 4187, 5759, 4837, 4570, 3995,\n",
       "          4839, 4130, 3821,  127, 3030, 5565, 6094, 3671, 4810, 4187, 4916, 5232,\n",
       "          3950, 4967, 6658, 5524, 3824, 5759, 4837, 4570, 3995, 4839, 4626, 4867,\n",
       "          5441,  322, 4187, 4810, 4570, 4626, 4867, 5441,  322, 4130, 3821, 5565,\n",
       "          4626, 4867, 5441,  322, 5524, 3824, 3223, 4626, 4867, 5441,  322, 4187,\n",
       "          4810, 3950, 4791, 5099, 5800, 5232, 6094, 3995, 4839, 4791, 5099, 5800,\n",
       "          5232, 6094, 3995, 4839, 4791, 5099, 5800, 5232, 6094, 3995, 4839, 4791,\n",
       "          5099, 5800, 5232, 6094, 3995, 4839, 3671, 1146, 6094, 3995, 4839, 6658,\n",
       "          6386, 3671, 1146, 6094, 3995, 4839, 6658, 6386, 3671, 1146, 6094, 3995,\n",
       "          4839, 6658, 6386, 3671, 1146, 6094, 3995, 4839, 6658, 6386]]),\n",
       " tensor([[   0,    0,    0,    0,    0,    0,    1,    1,    1,    1,    1,    1,\n",
       "             2,    2,    2,    2,    2,    2,    3,    3,    3,    3,    3,    3,\n",
       "             4,    4,    4,    4,    4,    4,    5,    5,    5,    5,    5,    5,\n",
       "             6,    6,    6,    6,    6,    6,    7,    7,    7,    7,    7,    7,\n",
       "             8,    8,    8,    8,    8,    8,    9,    9,    9,    9,    9,    9,\n",
       "            10,   10,   10,   10,   10,   10,   11,   11,   11,   11,   11,   11,\n",
       "            12,   12,   12,   12,   12,   12,   13,   13,   13,   13,   13,   13,\n",
       "            14,   14,   14,   14,   14,   14,   15,   15,   15,   15,   15,   15,\n",
       "            16,   16,   16,   16,   16,   16,   17,   17,   17,   17,   17,   17,\n",
       "            18,   18,   18,   18,   18,   18,   19,   19,   19,   19,   19,   19,\n",
       "            20,   20,   20,   20,   20,   20,   21,   21,   21,   21,   21,   21],\n",
       "         [5125, 2746, 5800, 4791, 4867, 4626,  118, 4776, 5099, 5232,  322, 5122,\n",
       "          4270, 4738, 5759, 4791, 5441, 4626, 5125, 2746, 5800, 4791, 4867, 4626,\n",
       "           118, 4776, 5099, 5232,  322, 5122, 4270, 4738, 5759, 4791, 5441, 4626,\n",
       "           118, 4776, 5800, 4791,  322, 4626, 4270, 4738, 5099, 5232, 5441, 5122,\n",
       "           118, 4776, 5759, 4791,  322, 4626, 5125, 2746, 5800, 4791, 4867, 4626,\n",
       "          4785, 5723, 4499, 3117, 5125, 2746, 4785, 5723, 4499, 3117, 5125, 2746,\n",
       "          4785, 5723, 4499, 3117, 5125, 2746, 4785, 5723, 4499, 3117, 5125, 2746,\n",
       "          5524, 3824, 4810, 4187, 5759, 4837, 5524, 3824, 4810, 4187, 5759, 4837,\n",
       "          5524, 3824, 4810, 4187, 5759, 4837, 5524, 3824, 4810, 4187, 5759, 4837,\n",
       "          4626, 4867, 5441,  322, 5524, 3824, 4626, 4867, 5441,  322, 5524, 3824,\n",
       "          4626, 4867, 5441,  322, 5524, 3824, 4626, 4867, 5441,  322, 5524, 3824]]))"
      ]
     },
     "execution_count": 185,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "edge_index, neg_edge_index"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Test"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "movie_metadata = pd.read_excel(\"cinemate_data_0511.xlsx\")\n",
    "final_metadata = pd.read_excel(\"final_metadata_with_overview_embeddings_ver5_0511.xlsx\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 187,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 0.9999, 0.9937],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 0: tensor([ 23,   9, 124, 105,  25,  59, 137,  98,  49,  34])\n",
      "Action,Adventure,Drama\n",
      "Action,Adventure,Drama\n",
      "Action,Drama,Thriller\n",
      "Drama,Romance\n",
      "Comedy,Romance,Sci-Fi\n",
      "Action,Adventure,Drama\n",
      "Documentary\n",
      "Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Action,Animation,Comedy\n",
      "tensor([1.0000, 0.9946, 0.9995,  ..., 1.0000, 1.0000, 0.9957],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 1: tensor([158,  98, 256, 255,  23, 165, 294, 227, 154, 105])\n",
      "Comedy\n",
      "Thriller\n",
      "Comedy,Romance\n",
      "Drama,Mystery\n",
      "Action,Adventure,Drama\n",
      "Horror,Thriller\n",
      "Action,Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Biography,Drama\n",
      "Drama,Romance\n",
      "tensor([0.9986, 0.9995, 0.9975,  ..., 0.9999, 0.9998, 0.9915],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 2: tensor([105,  49, 303, 294, 227, 158, 336, 332, 256,  98])\n",
      "Drama,Romance\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Action,Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Comedy\n",
      "Thriller\n",
      "Comedy\n",
      "Comedy,Romance\n",
      "Thriller\n",
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 0.9999, 0.9937],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 3: tensor([ 23,   9, 124, 105,  25,  59, 137,  98,  49,  34])\n",
      "Action,Adventure,Drama\n",
      "Action,Adventure,Drama\n",
      "Action,Drama,Thriller\n",
      "Drama,Romance\n",
      "Comedy,Romance,Sci-Fi\n",
      "Action,Adventure,Drama\n",
      "Documentary\n",
      "Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Action,Animation,Comedy\n",
      "tensor([1.0000, 0.9946, 0.9995,  ..., 1.0000, 1.0000, 0.9957],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 4: tensor([158,  98, 256, 255,  23, 165, 294, 227, 154, 105])\n",
      "Comedy\n",
      "Thriller\n",
      "Comedy,Romance\n",
      "Drama,Mystery\n",
      "Action,Adventure,Drama\n",
      "Horror,Thriller\n",
      "Action,Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Biography,Drama\n",
      "Drama,Romance\n",
      "tensor([0.9986, 0.9995, 0.9975,  ..., 0.9999, 0.9998, 0.9915],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 5: tensor([105,  49, 303, 294, 227, 158, 336, 332, 256,  98])\n",
      "Drama,Romance\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Action,Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Comedy\n",
      "Thriller\n",
      "Comedy\n",
      "Comedy,Romance\n",
      "Thriller\n",
      "tensor([1.0000, 0.9993, 1.0000,  ..., 1.0000, 1.0000, 0.9982],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 6: tensor([ 23,   9,  59,  34, 154,  98, 169, 165, 158, 105])\n",
      "Action,Adventure,Drama\n",
      "Action,Adventure,Drama\n",
      "Action,Adventure,Drama\n",
      "Action,Animation,Comedy\n",
      "Biography,Drama\n",
      "Thriller\n",
      "Drama\n",
      "Horror,Thriller\n",
      "Comedy\n",
      "Drama,Romance\n",
      "tensor([0.9998, 1.0000, 1.0000,  ..., 1.0000, 1.0000, 1.0000],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 7: tensor([ 23, 158, 154, 105,  98, 303, 375, 344, 256, 227])\n",
      "Action,Adventure,Drama\n",
      "Comedy\n",
      "Biography,Drama\n",
      "Drama,Romance\n",
      "Thriller\n",
      "Drama\n",
      "Documentary\n",
      "Action,Adventure\n",
      "Comedy,Romance\n",
      "Adventure,Animation,Comedy\n",
      "tensor([0.9996, 0.9999, 0.9983,  ..., 0.9999, 1.0000, 0.9960],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 8: tensor([ 23,  49, 303, 294, 105, 227, 321, 256, 158,  98])\n",
      "Action,Adventure,Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Action,Thriller\n",
      "Drama,Romance\n",
      "Adventure,Animation,Comedy\n",
      "Comedy,Family,Romance\n",
      "Comedy,Romance\n",
      "Comedy\n",
      "Thriller\n",
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 0.9999, 0.9937],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 9: tensor([ 23,   9, 124, 105,  25,  59, 137,  98,  49,  34])\n",
      "Action,Adventure,Drama\n",
      "Action,Adventure,Drama\n",
      "Action,Drama,Thriller\n",
      "Drama,Romance\n",
      "Comedy,Romance,Sci-Fi\n",
      "Action,Adventure,Drama\n",
      "Documentary\n",
      "Thriller\n",
      "Adventure,Animation,Comedy\n",
      "Action,Animation,Comedy\n",
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 0.9999, 0.9981],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 10: tensor([137, 154, 255,  23,   3, 169, 256, 227, 158,  70])\n",
      "Documentary\n",
      "Biography,Drama\n",
      "Drama,Mystery\n",
      "Action,Adventure,Drama\n",
      "Horror,Mystery,Thriller\n",
      "Drama\n",
      "Comedy,Romance\n",
      "Adventure,Animation,Comedy\n",
      "Comedy\n",
      "Thriller\n",
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 1.0000, 0.9993],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 11: tensor([105, 137, 154,  23,   3, 169, 255, 227, 158,  70])\n",
      "Drama,Romance\n",
      "Documentary\n",
      "Biography,Drama\n",
      "Action,Adventure,Drama\n",
      "Horror,Mystery,Thriller\n",
      "Drama\n",
      "Drama,Mystery\n",
      "Adventure,Animation,Comedy\n",
      "Comedy\n",
      "Thriller\n",
      "tensor([0.9962, 1.0000, 1.0000,  ..., 1.0000, 1.0000, 0.9999],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 12: tensor([ 98,   9, 127,  23,   3,   4, 137, 105,  70,  59])\n",
      "Thriller\n",
      "Action,Adventure,Drama\n",
      "Action,Crime,Drama\n",
      "Action,Adventure,Drama\n",
      "Horror,Mystery,Thriller\n",
      "Action,Crime,Thriller\n",
      "Documentary\n",
      "Drama,Romance\n",
      "Thriller\n",
      "Action,Adventure,Drama\n",
      "tensor([1.0000, 1.0000, 1.0000,  ..., 1.0000, 0.9999, 0.9972],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 13: tensor([137, 154, 227,  23,   3, 158, 255, 169, 105,  70])\n",
      "Documentary\n",
      "Biography,Drama\n",
      "Adventure,Animation,Comedy\n",
      "Action,Adventure,Drama\n",
      "Horror,Mystery,Thriller\n",
      "Comedy\n",
      "Drama,Mystery\n",
      "Drama\n",
      "Drama,Romance\n",
      "Thriller\n",
      "tensor([1.0000, 0.9959, 1.0000,  ..., 0.9935, 1.0000, 0.9965],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 14: tensor([30,  0, 49, 33, 40, 12, 60, 58, 43, 11])\n",
      "Drama\n",
      "Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Comedy,Romance\n",
      "Drama,Romance\n",
      "Comedy,Drama,Family\n",
      "Comedy,Drama,Fantasy\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "tensor([1.0000, 0.9959, 1.0000,  ..., 0.9935, 1.0000, 0.9965],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 15: tensor([30,  0, 49, 33, 40, 12, 60, 58, 43, 11])\n",
      "Drama\n",
      "Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Comedy,Romance\n",
      "Drama,Romance\n",
      "Comedy,Drama,Family\n",
      "Comedy,Drama,Fantasy\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "tensor([1.0000, 0.9959, 1.0000,  ..., 0.9935, 1.0000, 0.9965],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 16: tensor([30,  0, 49, 33, 40, 12, 60, 58, 43, 11])\n",
      "Drama\n",
      "Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Comedy,Romance\n",
      "Drama,Romance\n",
      "Comedy,Drama,Family\n",
      "Comedy,Drama,Fantasy\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "tensor([1.0000, 0.9959, 1.0000,  ..., 0.9935, 1.0000, 0.9965],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 17: tensor([30,  0, 49, 33, 40, 12, 60, 58, 43, 11])\n",
      "Drama\n",
      "Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Comedy,Romance\n",
      "Drama,Romance\n",
      "Comedy,Drama,Family\n",
      "Comedy,Drama,Fantasy\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "tensor([1.0000, 0.9903, 1.0000,  ..., 1.0000, 1.0000, 1.0000],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 18: tensor([128,  49, 233, 173,  33,  58, 281, 208, 183,  75])\n",
      "Animation,Music\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Crime,Drama,Mystery\n",
      "Drama\n",
      "Comedy,Drama,Fantasy\n",
      "Drama\n",
      "Drama\n",
      "Comedy,Horror\n",
      "Music\n",
      "tensor([1.0000, 0.9903, 1.0000,  ..., 1.0000, 1.0000, 1.0000],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 19: tensor([128,  49, 233, 173,  33,  58, 281, 208, 183,  75])\n",
      "Animation,Music\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Crime,Drama,Mystery\n",
      "Drama\n",
      "Comedy,Drama,Fantasy\n",
      "Drama\n",
      "Drama\n",
      "Comedy,Horror\n",
      "Music\n",
      "tensor([1.0000, 0.9903, 1.0000,  ..., 1.0000, 1.0000, 1.0000],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 20: tensor([128,  49, 233, 173,  33,  58, 281, 208, 183,  75])\n",
      "Animation,Music\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Crime,Drama,Mystery\n",
      "Drama\n",
      "Comedy,Drama,Fantasy\n",
      "Drama\n",
      "Drama\n",
      "Comedy,Horror\n",
      "Music\n",
      "tensor([1.0000, 0.9903, 1.0000,  ..., 1.0000, 1.0000, 1.0000],\n",
      "       grad_fn=<IndexBackward0>)\n",
      "Top 10 recommended movies for user 21: tensor([128,  49, 233, 173,  33,  58, 281, 208, 183,  75])\n",
      "Animation,Music\n",
      "Adventure,Animation,Comedy\n",
      "Drama\n",
      "Crime,Drama,Mystery\n",
      "Drama\n",
      "Comedy,Drama,Fantasy\n",
      "Drama\n",
      "Drama\n",
      "Comedy,Horror\n",
      "Music\n"
     ]
    }
   ],
   "source": [
    "# Function to recommend top 5 movies for a given user\n",
    "def recommend_movies_for_user(user_id, node_embeddings, edge_index, num_recommendations=5):\n",
    "    user_idx = torch.tensor([user_id_to_index[user_id]])\n",
    "    movie_indices = torch.arange(num_users, num_users + num_movies)\n",
    "    \n",
    "    # Generate all possible user-movie pairs\n",
    "    pairs = torch.stack([user_idx.expand(num_movies), movie_indices], dim=0)\n",
    "    \n",
    "    # Check existing edges to avoid recommending already liked movies\n",
    "    existing_edges = edge_index[:, (edge_index[0] == user_idx)]\n",
    "    existing_movies = existing_edges[1] - num_users\n",
    "    \n",
    "    # Remove existing edges from pairs\n",
    "    # mask = torch.ones(num_movies, dtype=torch.bool)\n",
    "    # mask[existing_movies] = False\n",
    "    # pairs = pairs[:, mask]\n",
    "    \n",
    "    # Get scores for the user-movie pairs\n",
    "    scores = link_predictor(node_embeddings, pairs)\n",
    "    print(scores[scores > 0.99])\n",
    "    \n",
    "    # Get top N recommendations\n",
    "    _, top_indices = torch.topk(scores.squeeze(), num_recommendations)\n",
    "    # print(top_indices)\n",
    "    # print(scores[top_indices])\n",
    "    top_movie_indices = pairs[1][top_indices] - num_users\n",
    "    \n",
    "    return top_movie_indices\n",
    "\n",
    "# 모델 학습 후 각 유저에 대한 추천 수행\n",
    "node_embeddings = gcn_model(data.x, data.edge_index)\n",
    "for i in range(num_users):\n",
    "    user_id = users['user_id'][i]\n",
    "    num_recommendations = 10\n",
    "    top_movies = recommend_movies_for_user(user_id, node_embeddings, edge_index, num_recommendations=num_recommendations)\n",
    "    print(f\"Top {num_recommendations} recommended movies for user {user_id}: {top_movies}\")\n",
    "    for idx in top_movies:\n",
    "        print(final_metadata.iloc[int(idx)].genres)\n",
    "        # print(movie_metadata.iloc[int(idx)].overview)\n",
    "\n",
    "# crime = [4226, 4, 4769] # 마스터, 범죄도시4, 기술자들\n",
    "# sci_fi = [5459, 6076, 9519]  # 인 타임, 점퍼, 메트로폴리스\n",
    "# horror = [2060, 2104, 4268]  # 컨저링, 컨저링3, 컨저링2\n",
    "# comedy = [4887, 5839, 9506]  # 7번 방의 선물, 세 얼간이, City Lights"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "movie_metadata = pd.read_excel(\"cinemate_data_0511.xlsx\")\n",
    "movie_metadata"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "final_metadata = pd.read_excel(\"final_metadata_with_overview_embeddings_ver5_0511.xlsx\")\n",
    "final_metadata"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# 학습 데이터에 없던 사용자에 대한 추천 테스트"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 190,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Top 20 recommended movies for the new user: tensor([375, 256, 434, 227, 105, 387, 344, 679,  98, 435,  14, 154, 303, 158,\n",
      "        613, 680, 658, 468, 294,  23])\n",
      "Documentary\n",
      "Comedy,Romance\n",
      "Drama\n",
      "Adventure,Animation,Comedy\n",
      "Drama,Romance\n",
      "Comedy,Drama\n",
      "Action,Adventure\n",
      "Drama\n",
      "Thriller\n",
      "Drama\n",
      "Comedy,Drama,Sport\n",
      "Biography,Drama\n",
      "Drama\n",
      "Comedy\n",
      "Action\n",
      "Drama,Horror,Romance\n",
      "Drama\n",
      "Drama,History\n",
      "Action,Thriller\n",
      "Action,Adventure,Drama\n"
     ]
    }
   ],
   "source": [
    "import numpy as np\n",
    "\n",
    "# 유저 임베딩 생성 함수\n",
    "def create_new_user_embedding(movie_features, interacted_movie_indices):\n",
    "    new_user_embedding = movie_features[interacted_movie_indices].mean(dim=0)\n",
    "    # print(\"new user embedding shape:\", new_user_embedding.shape)\n",
    "    # print(\"new user embedding:\", new_user_embedding)\n",
    "    return new_user_embedding\n",
    "\n",
    "# # 새로운 유저에 대한 영화 추천\n",
    "# def recommend_movies_for_new_user(node_embeddings, num_users = 1, num_movies = 9525, num_recommendations=5):\n",
    "#     movie_indices = torch.arange(num_users, num_users + num_movies) # 영화 인덱스 생성 (유저 수만큼 offset)\n",
    "    \n",
    "#     # user-movie pairs 생성\n",
    "#     user_movie_pairs = torch.stack([torch.zeros(num_movies, dtype=torch.long), movie_indices], dim=0)\n",
    "#     print(user_movie_pairs)\n",
    "    \n",
    "#     # user-movie pairs의 score 계산\n",
    "#     scores = link_predictor(node_embeddings, user_movie_pairs)\n",
    "#     # print(scores[scores > 0.9])\n",
    "    \n",
    "#     # top N 추천\n",
    "#     _, top_indices = torch.topk(scores.squeeze(), num_recommendations)\n",
    "#     top_movie_indices = user_movie_pairs[1][top_indices] - num_users # 유저 수만큼 offset 재조정\n",
    "    \n",
    "#     return top_movie_indices\n",
    "def recommend_movies_for_new_user(link_predictor, node_embeddings, edge_index, num_users = 1, num_movies = 9525, num_recommendations=5):\n",
    "    movie_indices = torch.arange(num_users, num_users + num_movies) # 영화 인덱스 생성 (유저 수만큼 offset)\n",
    "    \n",
    "    # user-movie pairs 생성\n",
    "    user_movie_pairs = torch.stack([torch.zeros(num_movies, dtype=torch.long), movie_indices], dim=0)\n",
    "\n",
    "    # 기존 유저가 본 영화 제외\n",
    "    already_seen_movies = edge_index[1] - num_users\n",
    "    mask = torch.ones(num_movies, dtype=torch.bool)\n",
    "    mask[already_seen_movies] = False\n",
    "    user_movie_pairs = user_movie_pairs[:, mask]\n",
    "    \n",
    "    # user-movie pairs의 score 계산\n",
    "    scores = link_predictor(node_embeddings, user_movie_pairs)\n",
    "    \n",
    "    # top N 추천\n",
    "    _, top_indices = torch.topk(scores.squeeze(), num_recommendations)\n",
    "    top_movie_indices = user_movie_pairs[1][top_indices] - num_users # 유저 수만큼 offset 재조정\n",
    "    \n",
    "    return top_movie_indices\n",
    "\n",
    "\n",
    "# 영화 features\n",
    "movie_features = torch.from_numpy(np.load(\"final_features_0528.npy\")).float()\n",
    "\n",
    "new_user_interacted_movies = [3201, 5229, 6214]\n",
    "new_user_embedding = create_new_user_embedding(movie_features, new_user_interacted_movies)\n",
    "\n",
    "new_x = torch.cat([new_user_embedding.view(1, -1), movie_features], dim=0)\n",
    "num_users = 1\n",
    "\n",
    "# 유저 - 영화 간 상호작용 edge index로 변환\n",
    "user_indices = [i for i in range(num_users)]\n",
    "movie_indices = [i + num_users for i in new_user_interacted_movies]\n",
    "\n",
    "edge_index = torch.tensor([user_indices * len(movie_indices), movie_indices], dtype=torch.long)\n",
    "\n",
    "node_embeddings = gcn_model(new_x, edge_index)\n",
    "\n",
    "# 새로운 유저에 대한 추천 수행\n",
    "num_recommendations = 20\n",
    "top_movies_for_new_user = recommend_movies_for_new_user(\n",
    "    link_predictor=link_predictor,\n",
    "    node_embeddings=node_embeddings, \n",
    "    edge_index=edge_index,\n",
    "    num_users=num_users,\n",
    "    num_movies=movie_features.shape[0],\n",
    "    num_recommendations=num_recommendations)\n",
    "print(f\"Top {num_recommendations} recommended movies for the new user: {top_movies_for_new_user}\")\n",
    "for idx in top_movies_for_new_user:\n",
    "    print(final_metadata.iloc[int(idx)].genres)\n",
    "    # print(movie_metadata.iloc[int(idx)].overview)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 191,
   "metadata": {},
   "outputs": [],
   "source": [
    "# save models\n",
    "torch.save(gcn_model.state_dict(), 'gcn_model.pth')\n",
    "torch.save(link_predictor.state_dict(), 'link_predictor.pth')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 192,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "LinkPredictor(\n",
       "  (fc1): Linear(in_features=828, out_features=828, bias=True)\n",
       "  (fc2): Linear(in_features=828, out_features=414, bias=True)\n",
       "  (fc3): Linear(in_features=414, out_features=414, bias=True)\n",
       "  (fc4): Linear(in_features=414, out_features=1, bias=True)\n",
       "  (dropout): Dropout(p=0.5, inplace=False)\n",
       ")"
      ]
     },
     "execution_count": 192,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# load saved models\n",
    "gcn_model = GCNLinkPredictor(num_in_features, num_out_features, num_users)\n",
    "link_predictor = LinkPredictor(num_out_features)\n",
    "gcn_model.load_state_dict(torch.load('gcn_model.pth'))\n",
    "link_predictor.load_state_dict(torch.load('link_predictor.pth'))\n",
    "\n",
    "# 모델을 evaluation 모드로 변경\n",
    "gcn_model.eval()\n",
    "link_predictor.eval()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# 장르별로 데이터셋을 구성하여 재학습"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 79,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "사용자 1:\n",
      "  좋아하는 영화 인덱스: [5502, 5414]\n",
      "  싫어하는 영화 인덱스: [5103, 4815]\n",
      "\n",
      "사용자 2:\n",
      "  좋아하는 영화 인덱스: [4788, 4165]\n",
      "  싫어하는 영화 인덱스: [4945, 4769]\n",
      "\n",
      "사용자 3:\n",
      "  좋아하는 영화 인덱스: [5502, 5414]\n",
      "  싫어하는 영화 인덱스: [3649, 96]\n",
      "\n",
      "사용자 4:\n",
      "  좋아하는 영화 인덱스: [4108, 5414]\n",
      "  싫어하는 영화 인덱스: [3095, 4817]\n",
      "\n",
      "사용자 5:\n",
      "  좋아하는 영화 인덱스: [3799, 4788]\n",
      "  싫어하는 영화 인덱스: [6072, 3793]\n",
      "\n",
      "사용자 6:\n",
      "  좋아하는 영화 인덱스: [5502, 5414]\n",
      "  싫어하는 영화 인덱스: [4769, 1124]\n",
      "\n",
      "사용자 7:\n",
      "  좋아하는 영화 인덱스: [4716, 4248]\n",
      "  싫어하는 영화 인덱스: [3008, 4792]\n",
      "\n",
      "사용자 8:\n",
      "  좋아하는 영화 인덱스: [4588, 96]\n",
      "  싫어하는 영화 인덱스: [4845, 6364]\n",
      "\n",
      "사용자 9:\n",
      "  좋아하는 영화 인덱스: [4588, 4102]\n",
      "  싫어하는 영화 인덱스: [5543, 5077]\n",
      "\n",
      "사용자 10:\n",
      "  좋아하는 영화 인덱스: [96, 2724]\n",
      "  싫어하는 영화 인덱스: [6585, 3649]\n",
      "\n",
      "사용자 11:\n",
      "  좋아하는 영화 인덱스: [2724, 4102]\n",
      "  싫어하는 영화 인덱스: [5502, 3201]\n",
      "\n",
      "사용자 12:\n",
      "  좋아하는 영화 인덱스: [5103, 1248]\n",
      "  싫어하는 영화 인덱스: [5067, 1045]\n",
      "\n",
      "사용자 13:\n",
      "  좋아하는 영화 인덱스: [4894, 4815]\n",
      "  싫어하는 영화 인덱스: [4486, 4165]\n",
      "\n",
      "사용자 14:\n",
      "  좋아하는 영화 인덱스: [4894, 4815]\n",
      "  싫어하는 영화 인덱스: [4604, 4788]\n",
      "\n",
      "사용자 15:\n",
      "  좋아하는 영화 인덱스: [3008, 4894]\n",
      "  싫어하는 영화 인덱스: [5067, 5210]\n",
      "\n",
      "사용자 16:\n",
      "  좋아하는 영화 인덱스: [4894, 4815]\n",
      "  싫어하는 영화 인덱스: [1248, 3793]\n",
      "\n",
      "사용자 17:\n",
      "  좋아하는 영화 인덱스: [4894, 105]\n",
      "  싫어하는 영화 인덱스: [5414, 4165]\n",
      "\n",
      "사용자 18:\n",
      "  좋아하는 영화 인덱스: [5737, 105]\n",
      "  싫어하는 영화 인덱스: [3649, 3830]\n",
      "\n",
      "사용자 19:\n",
      "  좋아하는 영화 인덱스: [1045, 4792]\n",
      "  싫어하는 영화 인덱스: [5414, 4604]\n",
      "\n",
      "사용자 20:\n",
      "  좋아하는 영화 인덱스: [5077, 4792]\n",
      "  싫어하는 영화 인덱스: [300, 6717]\n",
      "\n",
      "사용자 21:\n",
      "  좋아하는 영화 인덱스: [1045, 4792]\n",
      "  싫어하는 영화 인덱스: [4588, 6717]\n",
      "\n",
      "사용자 22:\n",
      "  좋아하는 영화 인덱스: [4769, 5778]\n",
      "  싫어하는 영화 인덱스: [6364, 4165]\n",
      "\n",
      "사용자 23:\n",
      "  좋아하는 영화 인덱스: [1045, 4769]\n",
      "  싫어하는 영화 인덱스: [3802, 7841]\n",
      "\n",
      "사용자 24:\n",
      "  좋아하는 영화 인덱스: [4792, 5778]\n",
      "  싫어하는 영화 인덱스: [4732, 5100]\n",
      "\n",
      "사용자 25:\n",
      "  좋아하는 영화 인덱스: [3928, 3201]\n",
      "  싫어하는 영화 인덱스: [5077, 4102]\n",
      "\n",
      "사용자 26:\n",
      "  좋아하는 영화 인덱스: [3201, 4387]\n",
      "  싫어하는 영화 인덱스: [5502, 6072]\n",
      "\n",
      "사용자 27:\n",
      "  좋아하는 영화 인덱스: [5543, 3928]\n",
      "  싫어하는 영화 인덱스: [4788, 2724]\n",
      "\n",
      "사용자 28:\n",
      "  좋아하는 영화 인덱스: [5543, 3928]\n",
      "  싫어하는 영화 인덱스: [105, 6072]\n",
      "\n",
      "사용자 29:\n",
      "  좋아하는 영화 인덱스: [5543, 3201]\n",
      "  싫어하는 영화 인덱스: [5778, 6364]\n",
      "\n",
      "사용자 30:\n",
      "  좋아하는 영화 인덱스: [5543, 4387]\n",
      "  싫어하는 영화 인덱스: [5701, 4894]\n",
      "\n",
      "사용자 31:\n",
      "  좋아하는 영화 인덱스: [4604, 5419]\n",
      "  싫어하는 영화 인덱스: [5103, 4792]\n",
      "\n",
      "사용자 32:\n",
      "  좋아하는 영화 인덱스: [5100, 4604]\n",
      "  싫어하는 영화 인덱스: [3843, 5210]\n",
      "\n",
      "사용자 33:\n",
      "  좋아하는 영화 인덱스: [300, 4604]\n",
      "  싫어하는 영화 인덱스: [3095, 5737]\n",
      "\n",
      "사용자 34:\n",
      "  좋아하는 영화 인덱스: [4845, 5100]\n",
      "  싫어하는 영화 인덱스: [4792, 5737]\n",
      "\n",
      "사용자 35:\n",
      "  좋아하는 영화 인덱스: [5100, 4604]\n",
      "  싫어하는 영화 인덱스: [3802, 1045]\n",
      "\n",
      "사용자 36:\n",
      "  좋아하는 영화 인덱스: [5100, 5419]\n",
      "  싫어하는 영화 인덱스: [4894, 4248]\n",
      "\n",
      "사용자 37:\n",
      "  좋아하는 영화 인덱스: [3095, 5701]\n",
      "  싫어하는 영화 인덱스: [3830, 3201]\n",
      "\n",
      "사용자 38:\n",
      "  좋아하는 영화 인덱스: [5701, 3095]\n",
      "  싫어하는 영화 인덱스: [5210, 4732]\n",
      "\n",
      "사용자 39:\n",
      "  좋아하는 영화 인덱스: [3095, 5701]\n",
      "  싫어하는 영화 인덱스: [4248, 5778]\n",
      "\n",
      "사용자 40:\n",
      "  좋아하는 영화 인덱스: [5701, 4477]\n",
      "  싫어하는 영화 인덱스: [1045, 4548]\n",
      "\n",
      "사용자 41:\n",
      "  좋아하는 영화 인덱스: [5701, 3095]\n",
      "  싫어하는 영화 인덱스: [7841, 5603]\n",
      "\n",
      "사용자 42:\n",
      "  좋아하는 영화 인덱스: [3095, 4477]\n",
      "  싫어하는 영화 인덱스: [3973, 1045]\n",
      "\n",
      "사용자 43:\n",
      "  좋아하는 영화 인덱스: [7841, 5603]\n",
      "  싫어하는 영화 인덱스: [2724, 4108]\n",
      "\n",
      "사용자 44:\n",
      "  좋아하는 영화 인덱스: [3649, 7841]\n",
      "  싫어하는 영화 인덱스: [5419, 5414]\n",
      "\n",
      "사용자 45:\n",
      "  좋아하는 영화 인덱스: [1124, 5603]\n",
      "  싫어하는 영화 인덱스: [4815, 1045]\n",
      "\n",
      "사용자 46:\n",
      "  좋아하는 영화 인덱스: [5603, 6717]\n",
      "  싫어하는 영화 인덱스: [3793, 3830]\n",
      "\n",
      "사용자 47:\n",
      "  좋아하는 영화 인덱스: [6717, 3649]\n",
      "  싫어하는 영화 인덱스: [4845, 3793]\n",
      "\n",
      "사용자 48:\n",
      "  좋아하는 영화 인덱스: [1124, 5603]\n",
      "  싫어하는 영화 인덱스: [4945, 3799]\n",
      "\n",
      "사용자 49:\n",
      "  좋아하는 영화 인덱스: [3793, 3973]\n",
      "  싫어하는 영화 인덱스: [5210, 5778]\n",
      "\n",
      "사용자 50:\n",
      "  좋아하는 영화 인덱스: [6072, 5067]\n",
      "  싫어하는 영화 인덱스: [5100, 5778]\n",
      "\n",
      "사용자 51:\n",
      "  좋아하는 영화 인덱스: [4945, 5067]\n",
      "  싫어하는 영화 인덱스: [7841, 6636]\n",
      "\n",
      "사용자 52:\n",
      "  좋아하는 영화 인덱스: [4945, 6072]\n",
      "  싫어하는 영화 인덱스: [5419, 4165]\n",
      "\n",
      "사용자 53:\n",
      "  좋아하는 영화 인덱스: [4945, 3973]\n",
      "  싫어하는 영화 인덱스: [4732, 5103]\n",
      "\n",
      "사용자 54:\n",
      "  좋아하는 영화 인덱스: [4945, 5067]\n",
      "  싫어하는 영화 인덱스: [3008, 300]\n",
      "\n",
      "사용자 55:\n",
      "  좋아하는 영화 인덱스: [4732, 4817]\n",
      "  싫어하는 영화 인덱스: [4815, 3799]\n",
      "\n",
      "사용자 56:\n",
      "  좋아하는 영화 인덱스: [6636, 4817]\n",
      "  싫어하는 영화 인덱스: [5100, 5414]\n",
      "\n",
      "사용자 57:\n",
      "  좋아하는 영화 인덱스: [4486, 4817]\n",
      "  싫어하는 영화 인덱스: [7841, 4894]\n",
      "\n",
      "사용자 58:\n",
      "  좋아하는 영화 인덱스: [4732, 4486]\n",
      "  싫어하는 영화 인덱스: [4588, 3830]\n",
      "\n",
      "사용자 59:\n",
      "  좋아하는 영화 인덱스: [4732, 4486]\n",
      "  싫어하는 영화 인덱스: [5502, 4102]\n",
      "\n",
      "사용자 60:\n",
      "  좋아하는 영화 인덱스: [4732, 6585]\n",
      "  싫어하는 영화 인덱스: [3830, 5414]\n",
      "\n",
      "사용자 61:\n",
      "  좋아하는 영화 인덱스: [6072, 4945, 4486]\n",
      "  싫어하는 영화 인덱스: [6636, 5701, 5603]\n",
      "\n",
      "사용자 62:\n",
      "  좋아하는 영화 인덱스: [4945, 3793, 6636]\n",
      "  싫어하는 영화 인덱스: [1045, 3201, 5502]\n",
      "\n",
      "사용자 63:\n",
      "  좋아하는 영화 인덱스: [5067, 4732, 6636]\n",
      "  싫어하는 영화 인덱스: [5077, 5103, 3843]\n",
      "\n",
      "사용자 64:\n",
      "  좋아하는 영화 인덱스: [3793, 4732, 6636]\n",
      "  싫어하는 영화 인덱스: [3973, 4248, 5414]\n",
      "\n",
      "사용자 65:\n",
      "  좋아하는 영화 인덱스: [4763, 1045, 5778]\n",
      "  싫어하는 영화 인덱스: [4815, 3799, 4477]\n",
      "\n",
      "사용자 66:\n",
      "  좋아하는 영화 인덱스: [4477, 5778, 5077]\n",
      "  싫어하는 영화 인덱스: [5737, 4817, 5778]\n",
      "\n",
      "사용자 67:\n",
      "  좋아하는 영화 인덱스: [3095, 4763, 5210]\n",
      "  싫어하는 영화 인덱스: [3201, 4588, 4792]\n",
      "\n",
      "사용자 68:\n",
      "  좋아하는 영화 인덱스: [5701, 4763, 5778]\n",
      "  싫어하는 영화 인덱스: [4108, 3973, 4486]\n",
      "\n",
      "사용자 69:\n",
      "  좋아하는 영화 인덱스: [5077, 4548, 5543]\n",
      "  싫어하는 영화 인덱스: [4387, 3928, 3201]\n",
      "\n",
      "사용자 70:\n",
      "  좋아하는 영화 인덱스: [5077, 5543, 4548]\n",
      "  싫어하는 영화 인덱스: [5419, 6636, 4945]\n",
      "\n",
      "사용자 71:\n",
      "  좋아하는 영화 인덱스: [5778, 5077, 3201]\n",
      "  싫어하는 영화 인덱스: [3201, 5067, 3649]\n",
      "\n",
      "사용자 72:\n",
      "  좋아하는 영화 인덱스: [5077, 4792, 3201]\n",
      "  싫어하는 영화 인덱스: [4792, 3843, 5077]\n",
      "\n"
     ]
    }
   ],
   "source": [
    "import random\n",
    "\n",
    "# 영화 인덱스\n",
    "genres = {\n",
    "    \"Action_Crime\": [5502, 3802, 4788, 4165, 4108, 3799, 3843, 3830, 5414],\n",
    "    \"Action_History\": [5103, 2724, 96, 4754, 4248, 4716, 4588, 1248, 4102], # 4102: 봉이 김선달\n",
    "    \"Action_Disaster\": [5737, 4815, 105, 3008, 4894],\n",
    "    \"Sports\": [5778, 4769, 5077, 5210, 1045, 4792], # 1045: 허슬, 4792: 미스터 고\n",
    "    \"Sci_Fi\": [4548, 4387, 5543, 3201, 3928],\n",
    "    \"Horror\": [4845, 4604, 300, 5100, 5419],\n",
    "    \"Comedy\": [4763, 5701, 4477, 3095],\n",
    "    \"Animation\": [3649, 1124, 5603, 7841, 6717], # 업, 니모를 찾아서, 리틀 네모, 니모를 찾아서\n",
    "    \"Musical\": [3973, 6072, 4945, 3793, 6364, 5067], # 5067: 레미제라블\n",
    "    \"Romance\": [4817, 4732, 6636, 4486, 6585] # 마지막 영화는 노트북\n",
    "}\n",
    "\n",
    "all_movies = [movie for genre_movies in genres.values() for movie in genre_movies]\n",
    "\n",
    "# 각 장르만 좋아하는 사용자 6명 씩 생성\n",
    "users_pos = []\n",
    "users_neg = []\n",
    "\n",
    "for genre, movies in genres.items():\n",
    "    for _ in range(6):\n",
    "        count = 2\n",
    "        pos_samples = random.sample(movies, count)\n",
    "        neg_samples = random.sample([m for m in all_movies if m not in movies], count)\n",
    "        users_pos.append(pos_samples)\n",
    "        users_neg.append(neg_samples)\n",
    "\n",
    "# Musical, Romance을 좋아하고 다른 건 싫어하는 사용자 4명 생성\n",
    "for _ in range(2):\n",
    "    users_pos.append(random.sample(genres[\"Musical\"], 2) + random.sample(genres[\"Romance\"], 1))\n",
    "    users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "for _ in range(2):\n",
    "    users_pos.append(random.sample(genres[\"Musical\"], 1) + random.sample(genres[\"Romance\"], 2))\n",
    "    users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "\n",
    "# Comedy, Sports를 좋아하고 다른 건 싫어하는 사용자 4명 생성\n",
    "users_pos.append(random.sample(genres[\"Comedy\"], 1) + random.sample(genres[\"Sports\"], 2))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Comedy\"], 1) + random.sample(genres[\"Sports\"], 2))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Comedy\"], 2) + random.sample(genres[\"Sports\"], 1))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Comedy\"], 2) + random.sample(genres[\"Sports\"], 1))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "\n",
    "# Sports, Sci-Fi를 좋아하고 다른 건 싫어하는 사용자 4명 생성\n",
    "users_pos.append(random.sample(genres[\"Sports\"], 1) + random.sample(genres[\"Sci_Fi\"], 2))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Sports\"], 1) + random.sample(genres[\"Sci_Fi\"], 2))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Sports\"], 2) + random.sample(genres[\"Sci_Fi\"], 1))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "users_pos.append(random.sample(genres[\"Sports\"], 2) + random.sample(genres[\"Sci_Fi\"], 1))\n",
    "users_neg.append(random.sample([m for m in all_movies if m not in users_neg[-1]], 3))\n",
    "\n",
    "# 결과 출력\n",
    "new_users_pos = []\n",
    "new_users_neg = []\n",
    "for i, (pos, neg) in enumerate(zip(users_pos, users_neg), start=1):\n",
    "    print(f\"사용자 {i}:\")\n",
    "    print(f\"  좋아하는 영화 인덱스: {pos}\")\n",
    "    print(f\"  싫어하는 영화 인덱스: {neg}\")\n",
    "    print()\n",
    "    new_users_pos.append(pos)\n",
    "    new_users_neg.append(neg)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 80,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Epoch 0, Loss: 0.6928434371948242\n",
      "Epoch 10, Loss: 0.5178985595703125\n",
      "Epoch 20, Loss: 0.2074754387140274\n",
      "Epoch 30, Loss: 0.2524762451648712\n",
      "Epoch 40, Loss: 0.19547462463378906\n",
      "Epoch 50, Loss: 0.1417909860610962\n",
      "Epoch 60, Loss: 0.0773128941655159\n",
      "Epoch 70, Loss: 0.08166443556547165\n",
      "Epoch 80, Loss: 0.1716708242893219\n",
      "Epoch 90, Loss: 0.12019643932580948\n",
      "Epoch 100, Loss: 0.08188444375991821\n",
      "Epoch 110, Loss: 0.06407634168863297\n",
      "Epoch 120, Loss: 0.07666347175836563\n",
      "Epoch 130, Loss: 0.06891296803951263\n",
      "Epoch 140, Loss: 0.07672140747308731\n",
      "Epoch 150, Loss: 0.08609604090452194\n",
      "Epoch 160, Loss: 0.09601863473653793\n",
      "Epoch 170, Loss: 0.07858452945947647\n",
      "Epoch 180, Loss: 0.03197230398654938\n",
      "Epoch 190, Loss: 0.17938897013664246\n",
      "Epoch 200, Loss: 0.11823541671037674\n",
      "Epoch 210, Loss: 0.07430857419967651\n",
      "Epoch 220, Loss: 0.06393052637577057\n",
      "Epoch 230, Loss: 0.10000806301832199\n",
      "Epoch 240, Loss: 0.19240275025367737\n",
      "Epoch 250, Loss: 0.1164388656616211\n",
      "Epoch 260, Loss: 0.18699759244918823\n",
      "Epoch 270, Loss: 0.047420013695955276\n",
      "Epoch 280, Loss: 0.08144654333591461\n",
      "Early stopping at epoch 280\n",
      "Scores for positive edges:\n",
      "tensor([1.0000, 1.0000, 0.9981, 1.0000, 1.0000, 1.0000, 0.9996, 0.9999, 1.0000,\n",
      "        0.9999, 1.0000, 1.0000, 1.0000, 0.9996, 1.0000, 1.0000, 0.9994, 0.9998,\n",
      "        1.0000, 1.0000, 1.0000, 0.9999, 0.9966, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 0.9997, 0.9999, 0.9999,\n",
      "        1.0000, 1.0000, 0.9997, 0.9997, 1.0000, 1.0000, 1.0000, 0.9997, 1.0000,\n",
      "        1.0000, 0.9998, 0.9979, 1.0000, 1.0000, 0.9999, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        0.9988, 0.9678, 0.9678, 0.9988, 0.9988, 0.9678, 0.9870, 0.9977, 0.9678,\n",
      "        0.9988, 0.9992, 0.9986, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 0.9989, 0.9811, 0.9999,\n",
      "        0.9992, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000, 1.0000,\n",
      "        0.9995, 0.9997, 0.9947, 0.9949, 0.9984, 0.9660, 0.9997, 1.0000, 0.9997,\n",
      "        1.0000, 1.0000, 1.0000, 1.0000, 0.9963, 0.9933, 0.8997, 0.9996, 0.9699,\n",
      "        0.9993, 0.9998, 0.9994, 0.9982, 1.0000, 0.9998, 0.9966, 0.9911, 0.9922,\n",
      "        0.7899, 0.6012, 0.8835, 0.9630, 0.9634, 0.6599, 0.9969, 0.9968, 0.9772,\n",
      "        0.9999, 0.9999, 1.0000, 0.9999, 1.0000, 0.9999, 0.8204, 0.6805, 0.5662,\n",
      "        0.5761, 0.5501, 0.6272])\n",
      "Scores for negative edges:\n",
      "tensor([3.1322e-03, 2.0109e-04, 9.7293e-06, 1.7102e-05, 1.9633e-07, 4.7438e-04,\n",
      "        8.6787e-04, 6.7984e-09, 3.6446e-06, 2.1915e-05, 2.9505e-05, 6.8934e-05,\n",
      "        4.2371e-03, 1.6707e-04, 8.6447e-07, 6.7334e-10, 1.8157e-01, 4.8205e-01,\n",
      "        2.0721e-06, 5.2590e-10, 1.3321e-03, 4.0196e-02, 1.1427e-02, 8.9231e-03,\n",
      "        1.4978e-10, 7.1318e-10, 3.0733e-10, 2.8003e-06, 1.4877e-08, 7.6845e-06,\n",
      "        1.0658e-08, 1.2965e-08, 3.5410e-07, 4.4129e-08, 1.1102e-07, 5.9527e-07,\n",
      "        3.8906e-12, 2.6902e-08, 1.4100e-06, 6.3165e-05, 1.0236e-06, 1.3414e-04,\n",
      "        1.0982e-03, 1.5496e-04, 2.0433e-10, 1.6280e-06, 2.8683e-05, 1.9832e-04,\n",
      "        2.7960e-03, 8.5820e-04, 3.2079e-08, 1.7866e-04, 2.6035e-07, 1.1332e-07,\n",
      "        2.1084e-04, 3.9254e-05, 1.0590e-03, 1.7477e-05, 1.1313e-05, 1.5776e-05,\n",
      "        1.1189e-03, 9.0493e-05, 2.9454e-05, 2.6648e-04, 6.0221e-04, 9.0197e-04,\n",
      "        1.4615e-04, 1.7321e-03, 2.2799e-04, 9.9340e-06, 7.5355e-04, 1.2141e-04,\n",
      "        4.1158e-04, 2.2619e-05, 1.9187e-03, 2.4936e-05, 6.8651e-05, 4.6312e-04,\n",
      "        5.5195e-03, 8.8290e-04, 2.1971e-05, 2.8770e-06, 2.5410e-04, 2.9331e-04,\n",
      "        9.7241e-05, 1.9582e-12, 5.9434e-06, 9.3397e-14, 3.8786e-07, 5.0523e-04,\n",
      "        7.5716e-03, 9.4648e-13, 2.2766e-06, 1.2183e-03, 4.2940e-03, 1.5122e-07,\n",
      "        6.2808e-05, 1.9907e-03, 3.3145e-14, 1.2957e-08, 2.2643e-12, 6.8699e-06,\n",
      "        2.5602e-17, 1.0154e-19, 1.1864e-03, 2.4885e-06, 1.9111e-16, 8.9158e-17,\n",
      "        4.1066e-09, 1.5730e-06, 6.4538e-04, 1.0580e-08, 2.4244e-05, 5.6642e-07,\n",
      "        1.2469e-07, 6.9295e-12, 3.0413e-08, 1.8288e-04, 1.0166e-09, 4.4499e-08,\n",
      "        1.1485e-05, 4.0786e-10, 5.3809e-11, 2.8033e-03, 1.2577e-05, 2.5988e-10,\n",
      "        3.3995e-03, 3.2360e-05, 1.6398e-08, 1.1285e-02, 8.9925e-08, 6.4698e-09,\n",
      "        4.7059e-08, 1.3164e-05, 5.1118e-03, 1.0637e-02, 2.6471e-03, 6.0124e-01,\n",
      "        1.7609e-03, 2.4433e-03, 1.4367e-02, 6.1607e-06, 1.7217e-03, 5.7425e-04,\n",
      "        5.8094e-04, 6.9459e-04, 1.6553e-02, 1.6156e-05, 1.0901e-04, 3.8875e-05,\n",
      "        5.6621e-01, 3.9653e-04, 8.1313e-04, 5.5007e-01, 2.3386e-02, 5.7610e-01])\n"
     ]
    }
   ],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "import torch\n",
    "import torch.nn as nn\n",
    "import torch.nn.functional as F\n",
    "from torch_geometric.nn import GCNConv\n",
    "from torch_geometric.data import Data\n",
    "\n",
    "# 예시 유저 데이터\n",
    "interactions_pos = pd.DataFrame(columns=['user_id', 'movie_id'])\n",
    "interactions_neg = pd.DataFrame(columns=['user_id', 'movie_id'])\n",
    "\n",
    "# 새로운 사용자 데이터와 기존 사용자 데이터 합치기\n",
    "all_pos_samples = new_users_pos\n",
    "all_neg_samples = new_users_neg\n",
    "\n",
    "# 각 유저에 대한 긍정적 샘플 추가\n",
    "for i, pos_samples in enumerate(all_pos_samples):\n",
    "    user_id = i\n",
    "    for movie_id in pos_samples:\n",
    "        interactions_pos = pd.concat([interactions_pos, pd.DataFrame({'user_id': [user_id], 'movie_id': [movie_id]})], ignore_index=True)\n",
    "\n",
    "# 각 유저에 대한 부정적 샘플 추가\n",
    "for i, neg_samples in enumerate(all_neg_samples):\n",
    "    user_id = i\n",
    "    for movie_id in neg_samples:\n",
    "        interactions_neg = pd.concat([interactions_neg, pd.DataFrame({'user_id': [user_id], 'movie_id': [movie_id]})], ignore_index=True)\n",
    "\n",
    "users = pd.DataFrame(columns=['user_id'])\n",
    "users['user_id'] = interactions_pos['user_id'].unique()\n",
    "\n",
    "num_users = users.shape[0]\n",
    "\n",
    "# 영화 features\n",
    "movie_features = torch.from_numpy(np.load(\"final_features_0528.npy\")).float()\n",
    "\n",
    "num_movies = movie_features.size(0)\n",
    "num_in_features = movie_features.size(1)\n",
    "num_out_features = movie_features.size(1)\n",
    "\n",
    "# user indices, movie indices 생성\n",
    "user_id_to_index = {user_id: idx for idx, user_id in enumerate(users['user_id'])}\n",
    "movie_id_to_index = {movie_id: idx for idx, movie_id in enumerate(range(num_movies))}\n",
    "\n",
    "# 유저 - 영화 간 상호작용 edge index로 변환\n",
    "user_indices = interactions_pos['user_id'].apply(lambda x: user_id_to_index[x])\n",
    "movie_indices = interactions_pos['movie_id'].apply(lambda x: num_users + movie_id_to_index[x])  # 유저 수만큼 offset 추가\n",
    "\n",
    "edge_index = torch.tensor([user_indices.values, movie_indices.values], dtype=torch.long)\n",
    "\n",
    "# 유저 초기 임베딩 생성\n",
    "user_embedding = torch.zeros(num_users, num_in_features)\n",
    "# 좋아하는 영화의 평균으로 유저 임베딩 생성\n",
    "for user_id in users['user_id']:\n",
    "    user_idx = user_id_to_index[user_id]\n",
    "    movie_idxs = interactions_pos[interactions_pos['user_id'] == user_id]['movie_id'].apply(lambda x: movie_id_to_index[x])\n",
    "    user_movie_features = movie_features[movie_idxs.values].mean(dim=0)\n",
    "    user_embedding[user_idx] = user_movie_features\n",
    "\n",
    "# 영화 feature와 유저 feature 합치기\n",
    "x = torch.cat([user_embedding, movie_features], dim=0)\n",
    "\n",
    "data = Data(x=x, edge_index=edge_index)\n",
    "\n",
    "class GCNLinkPredictor(nn.Module):\n",
    "    def __init__(self, num_in_features, num_out_features=128, num_users=num_users):\n",
    "        super().__init__()\n",
    "        self.conv1 = GCNConv(num_in_features, num_out_features)\n",
    "        self.conv2 = GCNConv(num_out_features, num_out_features)\n",
    "        self.num_users = num_users\n",
    "\n",
    "    def forward(self, x, edge_index):\n",
    "        user_embedding = x[:self.num_users]\n",
    "        movie_features = x[self.num_users:].detach()\n",
    "        \n",
    "        x = torch.cat([user_embedding, movie_features], dim=0)\n",
    "        x = self.conv1(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        x = self.conv2(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        \n",
    "        x[self.num_users:] = movie_features\n",
    "        return x\n",
    "\n",
    "# 유저 - 영화 간 edge를 입력받아 유저-영화 간 관계 예측\n",
    "class LinkPredictor(nn.Module):\n",
    "    def __init__(self, input_dim):\n",
    "        super().__init__()\n",
    "        self.fc1 = nn.Linear(input_dim * 2, input_dim * 2)\n",
    "        self.fc2 = nn.Linear(input_dim * 2, input_dim)\n",
    "        # self.fc3 = nn.Linear(input_dim, 1)\n",
    "        self.fc3 = nn.Linear(input_dim, input_dim)\n",
    "        self.fc4 = nn.Linear(input_dim, input_dim)\n",
    "        self.fc5 = nn.Linear(input_dim, 1)\n",
    "        self.dropout = nn.Dropout(p=0.5)\n",
    "\n",
    "    def forward(self, z, edge_index):\n",
    "        row, col = edge_index\n",
    "        z_row = z[row]\n",
    "        z_col = z[col]\n",
    "        \n",
    "        # 임베딩 연결\n",
    "        z_concat = torch.cat([z_row, z_col], dim=1)\n",
    "        \n",
    "        # 비선형 활성화 함수\n",
    "        x = F.relu(self.fc1(z_concat))\n",
    "        \n",
    "        # 정규화를 위한 드롭아웃\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc2(x))\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc3(x))\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc4(x))\n",
    "        x = self.dropout(x)\n",
    "        \n",
    "        return torch.sigmoid(self.fc5(x))\n",
    "        # return torch.sigmoid(self.fc3(x))\n",
    "\n",
    "# 모델 초기화\n",
    "gcn_model = GCNLinkPredictor(num_in_features, num_out_features, num_users)\n",
    "link_predictor = LinkPredictor(num_out_features)\n",
    "\n",
    "# Negative sampling: 다른 유저와 연결된 영화를 negative sample로 선정\n",
    "def negative_sampling(interactions, num_users):\n",
    "    user_indices = interactions['user_id'].apply(lambda x: user_id_to_index[x])\n",
    "    movie_indices = interactions['movie_id'].apply(lambda x: num_users + x)  # 유저 수만큼 offset 추가\n",
    "\n",
    "    neg_edge_index = torch.tensor([user_indices.values, movie_indices.values], dtype=torch.long)\n",
    "\n",
    "    return neg_edge_index\n",
    "\n",
    "neg_edge_index = negative_sampling(interactions_neg, num_users)\n",
    "\n",
    "# positive, negative samples 합치기\n",
    "train_edge_index = torch.cat([edge_index, neg_edge_index], dim=1)\n",
    "train_labels = torch.cat([torch.ones(edge_index.size(1)), torch.zeros(neg_edge_index.size(1))])\n",
    "\n",
    "# Train 함수 정의\n",
    "def train(model, predictor, data, train_edge_index, train_labels, optimizer, epochs=200, patience=100):\n",
    "    model.train()\n",
    "    predictor.train()\n",
    "    criterion = nn.BCELoss()\n",
    "    best_loss = float('inf')\n",
    "\n",
    "    for epoch in range(epochs):\n",
    "        optimizer.zero_grad()\n",
    "        node_embeddings = model(data.x, data.edge_index)\n",
    "        scores = predictor(node_embeddings, train_edge_index)\n",
    "        loss = criterion(scores.squeeze(), train_labels)\n",
    "        loss.backward()\n",
    "        optimizer.step()\n",
    "\n",
    "        if epoch % 10 == 0:\n",
    "            print(f'Epoch {epoch}, Loss: {loss.item()}')\n",
    "        \n",
    "        # Early stopping\n",
    "        if loss.item() < best_loss:\n",
    "            best_loss = loss.item()\n",
    "            patience_counter = 0\n",
    "        else:\n",
    "            patience_counter += 1\n",
    "        \n",
    "        if patience_counter >= patience:\n",
    "            print(f'Early stopping at epoch {epoch}')\n",
    "            break\n",
    "\n",
    "# Initialize optimizer\n",
    "optimizer = torch.optim.Adam(list(gcn_model.parameters()) + list(link_predictor.parameters()), lr=0.005)\n",
    "\n",
    "# 모델 학습\n",
    "train(gcn_model, link_predictor, data, train_edge_index, train_labels, optimizer, epochs=300)\n",
    "\n",
    "# 학습된 모델을 사용하여 positive, negative 간선의 점수 확인\n",
    "def check_positive_negative_edge_scores(model, predictor, data, edge_index, neg_edge_index):\n",
    "    model.eval()\n",
    "    predictor.eval()\n",
    "    with torch.no_grad():\n",
    "        node_embeddings = model(data.x, data.edge_index)\n",
    "        pos_scores = predictor(node_embeddings, edge_index)\n",
    "        neg_scores = predictor(node_embeddings, neg_edge_index)\n",
    "        print(\"Scores for positive edges:\")\n",
    "        print(pos_scores.squeeze())\n",
    "        print(\"Scores for negative edges:\")\n",
    "        print(neg_scores.squeeze())\n",
    "\n",
    "check_positive_negative_edge_scores(gcn_model, link_predictor, data, edge_index, neg_edge_index)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [],
   "source": [
    "movie_metadata = pd.read_excel(\"cinemate_data_only_eng_kor_0528.xlsx\")\n",
    "final_metadata = pd.read_excel(\"final_metadata_with_overview_embeddings_only_eng_kor_0528.xlsx\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 81,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 1: tensor([3734, 5502, 5414, 1476, 3095,  369, 4165, 2930, 7056,  146])\n",
      "Action,Crime,Mystery\n",
      "Action,Crime,Drama\n",
      "Action,Crime,Thriller\n",
      "Action,Crime,Horror\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Crime,Horror\n",
      "Crime,Horror,Thriller\n",
      "Action,Crime,Thriller\n",
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 2: tensor([5414, 5130, 4165, 3734,  369, 7957, 3095, 4718, 5502, 5701])\n",
      "Action,Crime,Thriller\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Crime,Mystery\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Sci-Fi\n",
      "Action,Crime,Drama\n",
      "Comedy,Drama\n",
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 3: tensor([3734, 5502, 5414, 1476, 3095,  369, 4165, 2930, 7056,  146])\n",
      "Action,Crime,Mystery\n",
      "Action,Crime,Drama\n",
      "Action,Crime,Thriller\n",
      "Action,Crime,Horror\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Crime,Horror\n",
      "Crime,Horror,Thriller\n",
      "Action,Crime,Thriller\n",
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 4: tensor([5414, 5639, 2724, 4108, 1276, 4716, 8557,  627, 5100, 7708])\n",
      "Action,Crime,Thriller\n",
      "Thriller\n",
      "Drama,History,Thriller\n",
      "Action,Crime\n",
      "Action,Drama,Mystery\n",
      "Drama,War\n",
      "Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 5: tensor([3095, 4165, 5130,  369, 7957, 6373, 6866, 5502, 5414, 5701])\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Crime,Drama\n",
      "Action,Crime,Thriller\n",
      "Comedy,Drama\n",
      "\n",
      "User favorite genre info : Action_Crime\n",
      "Top 10 recommended movies for user 6: tensor([3734, 5502, 5414, 1476, 3095,  369, 4165, 2930, 7056,  146])\n",
      "Action,Crime,Mystery\n",
      "Action,Crime,Drama\n",
      "Action,Crime,Thriller\n",
      "Action,Crime,Horror\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Crime,Horror\n",
      "Crime,Horror,Thriller\n",
      "Action,Crime,Thriller\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 7: tensor([5414, 5639, 4716, 2724, 4108, 8557, 1276, 7708, 4924, 3941])\n",
      "Action,Crime,Thriller\n",
      "Thriller\n",
      "Drama,War\n",
      "Drama,History,Thriller\n",
      "Action,Crime\n",
      "Mystery,Thriller\n",
      "Action,Drama,Mystery\n",
      "Mystery,Thriller\n",
      "Drama\n",
      "Crime,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 8: tensor([4588, 1276,   96, 3715, 1360, 4716, 3579, 3784,   32, 1578])\n",
      "Action,Drama,History\n",
      "Action,Drama,Mystery\n",
      "Action,Drama,History\n",
      "Action,Drama,History\n",
      "Action,Drama,History\n",
      "Drama,War\n",
      "Action,Drama,History\n",
      "Action,Drama,History\n",
      "Action,Biography,History\n",
      "Action,Drama,History\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 9: tensor([4102, 5414, 4588, 4716, 5639,   32, 3784, 2724, 4718, 4763])\n",
      "Adventure,Comedy,History\n",
      "Action,Crime,Thriller\n",
      "Action,Drama,History\n",
      "Drama,War\n",
      "Thriller\n",
      "Action,Biography,History\n",
      "Action,Drama,History\n",
      "Drama,History,Thriller\n",
      "Action,Comedy,Sci-Fi\n",
      "Comedy,Drama\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 10: tensor([2724, 4716, 1276, 4924, 5639,   96, 3784, 3344, 3875, 4998])\n",
      "Drama,History,Thriller\n",
      "Drama,War\n",
      "Action,Drama,Mystery\n",
      "Drama\n",
      "Thriller\n",
      "Action,Drama,History\n",
      "Action,Drama,History\n",
      "Drama,Thriller\n",
      "Documentary\n",
      "Drama,History,Thriller\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 11: tensor([2724, 5639, 4102, 8557, 4716, 4998, 4924, 7708, 3875, 7806])\n",
      "Drama,History,Thriller\n",
      "Thriller\n",
      "Adventure,Comedy,History\n",
      "Mystery,Thriller\n",
      "Drama,War\n",
      "Drama,History,Thriller\n",
      "Drama\n",
      "Mystery,Thriller\n",
      "Documentary\n",
      "History\n",
      "\n",
      "User favorite genre info : Action_History\n",
      "Top 10 recommended movies for user 12: tensor([5100, 4604,  627,  487, 2790, 4031, 8446,  300, 1248, 5010])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 13: tensor([4894, 4815, 7370, 5543, 1181, 6302, 5212, 4888, 3986, 4268])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 14: tensor([4894, 4815, 7370, 5543, 1181, 6302, 5212, 4888, 3986, 4268])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 15: tensor([7370, 4815, 4894, 1181, 5543, 4308, 5212, 1048, 4261, 4268])\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Horror,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 16: tensor([4894, 4815, 7370, 5543, 1181, 6302, 5212, 4888, 3986, 4268])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 17: tensor([4894, 4815, 7370, 5543, 1181, 6302, 6750, 5212, 7286, 3986])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Action_Disaster\n",
      "Top 10 recommended movies for user 18: tensor([4894, 4815, 6302, 8358, 7370, 4308, 4904, 3425, 3387, 5153])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Horror,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Horror,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Animation,Sci-Fi\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 19: tensor([1045, 5636, 4792, 2030, 6711, 3793, 6168, 6066, 2393, 5028])\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Musical\n",
      "Comedy,Drama\n",
      "Comedy,Drama\n",
      "Drama,Sport\n",
      "Comedy,Drama\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 20: tensor([1045, 3793, 5636, 5077, 4792, 5271, 4826, 1225, 8647, 2048])\n",
      "Comedy,Drama,Sport\n",
      "Biography,Drama,Musical\n",
      "Comedy,Drama\n",
      "Drama,Sport\n",
      "Comedy,Drama,Sport\n",
      "Biography,Drama,Sport\n",
      "Documentary,Drama,Sport\n",
      "Documentary,Drama,Sport\n",
      "Drama\n",
      "Biography,Drama,History\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 21: tensor([1045, 5636, 4792, 2030, 6711, 3793, 6168, 6066, 2393, 5028])\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Musical\n",
      "Comedy,Drama\n",
      "Comedy,Drama\n",
      "Drama,Sport\n",
      "Comedy,Drama\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 22: tensor([5077,  109, 4826, 3793, 4836, 5844, 8723, 1225, 4055, 4605])\n",
      "Drama,Sport\n",
      "Biography,Drama,Sport\n",
      "Documentary,Drama,Sport\n",
      "Biography,Drama,Musical\n",
      "Biography,Documentary\n",
      "Biography,Drama,Sport\n",
      "Biography,Documentary\n",
      "Documentary,Drama,Sport\n",
      "Sport\n",
      "Biography,Drama,History\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 23: tensor([135, 114, 150,  30, 109, 128, 166, 134, 113,  78])\n",
      "Drama,Romance\n",
      "Music\n",
      "Biography,Drama\n",
      "Drama\n",
      "Biography,Drama,Sport\n",
      "Biography,Documentary,Music\n",
      "Drama,History\n",
      "Documentary\n",
      "Biography,Drama,Sport\n",
      "Documentary,Music\n",
      "\n",
      "User favorite genre info : Sports\n",
      "Top 10 recommended movies for user 24: tensor([1045, 5636, 4792, 4763, 4783,  183, 6456, 6168, 6220, 2030])\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama\n",
      "Biography,Comedy,Drama\n",
      "Animation,Comedy,Drama\n",
      "Comedy,Drama,History\n",
      "Comedy,Drama\n",
      "Comedy\n",
      "Comedy,Drama,Sport\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 25: tensor([3568, 1048, 3466, 3928, 4261, 5543,  947, 7370, 6472, 4888])\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 26: tensor([ 947, 4261, 3568, 5462, 4893, 1048, 5543, 3928, 8008, 3512])\n",
      "Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Animation,Sci-Fi\n",
      "Adventure,Horror,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Animation\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 27: tensor([2134, 1127, 3466, 2163,  947, 1186, 3568, 1588, 1048,  679])\n",
      "Adventure,Mystery,Sci-Fi\n",
      "Adventure,Mystery,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Horror,Sci-Fi\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Sci-Fi,Thriller\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Drama,Horror\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Animation\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 28: tensor([2134, 1127, 3466, 2163,  947, 1186, 3568, 1588, 1048,  679])\n",
      "Adventure,Mystery,Sci-Fi\n",
      "Adventure,Mystery,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Horror,Sci-Fi\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Sci-Fi,Thriller\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Drama,Horror\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Animation\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 29: tensor([4261, 3568, 1048, 5543, 7370,  947, 3928, 3466, 5212, 8008])\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "\n",
      "User favorite genre info : Sci_Fi\n",
      "Top 10 recommended movies for user 30: tensor([ 673,  158, 1070, 1048,   75,  947, 1124, 1042,  680,  679])\n",
      "Adventure,Horror\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Animation,Comedy\n",
      "Action,Adventure,Sci-Fi\n",
      "Adventure,Animation,Family\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Drama\n",
      "Action,Adventure,Animation\n",
      "Action,Adventure,Animation\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 31: tensor([ 31, 110, 429, 111,  20, 248, 471, 347, 300,   3])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Comedy,Horror,Mystery\n",
      "Horror,Mystery\n",
      "Horror,Mystery\n",
      "Drama,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 32: tensor([ 31, 248, 347, 110,  20, 300, 471, 429, 111,   3])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Drama,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Comedy,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 33: tensor([ 31,  42, 300, 291,  20, 111, 347, 248, 110,   3])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Comedy,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 34: tensor([110,  20, 487, 248, 347, 300, 624, 584, 536,   3])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 35: tensor([ 31, 248, 347, 110,  20, 300, 471, 429, 111,   3])\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Drama,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Comedy,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Horror\n",
      "Top 10 recommended movies for user 36: tensor([248,  20, 429, 111, 110,  31, 487, 347, 300,   3])\n",
      "Horror,Mystery\n",
      "Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Comedy,Horror,Mystery\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "Horror,Mystery,Thriller\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 37: tensor([3095,  369, 6373, 5701, 4165, 5130, 7964, 6866, 7288, 7957])\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 38: tensor([3095,  369, 6373, 5701, 4165, 5130, 7964, 6866, 7288, 7957])\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 39: tensor([3095,  369, 6373, 5701, 4165, 5130, 7964, 6866, 7288, 7957])\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 40: tensor([4477, 5448, 3095, 5701, 4116, 7499, 8714, 5822, 9022, 6153])\n",
      "Comedy,Drama,Romance\n",
      "Comedy,Crime,Romance\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama\n",
      "Crime,Horror,Thriller\n",
      "Fantasy,Romance\n",
      "Comedy,Crime,Horror\n",
      "Crime,Drama,Romance\n",
      "Comedy,Romance\n",
      "Comedy,Crime,Thriller\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 41: tensor([3095,  369, 6373, 5701, 4165, 5130, 7964, 6866, 7288, 7957])\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "Action,Comedy,Crime\n",
      "\n",
      "User favorite genre info : Comedy\n",
      "Top 10 recommended movies for user 42: tensor([5448, 3095, 4477, 4116, 5822,  805, 4731, 1476, 8619, 6943])\n",
      "Comedy,Crime,Romance\n",
      "Action,Comedy,Crime\n",
      "Comedy,Drama,Romance\n",
      "Crime,Horror,Thriller\n",
      "Crime,Drama,Romance\n",
      "Crime,Horror,Mystery\n",
      "Crime,Fantasy,Horror\n",
      "Action,Crime,Horror\n",
      "Action,Horror,Romance\n",
      "Action,Fantasy,Romance\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 43: tensor([ 673,  145, 1070, 1042,   75,  838, 1124,  947,  699,  222])\n",
      "Adventure,Horror\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Drama\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Family,Fantasy\n",
      "Adventure,Animation,Comedy\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 44: tensor([5603, 1124, 7841, 6717, 3512, 9253, 3649, 1180, 5914, 6500])\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Drama,Family\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Comedy\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 45: tensor([ 699,  222,  947,   75,  618,  790, 1042,  838,  673,  145])\n",
      "Adventure,Family,Fantasy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Animation,Family\n",
      "Adventure,Family,Fantasy\n",
      "Adventure,Horror,Thriller\n",
      "Adventure,Animation,Drama\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Horror\n",
      "Adventure,Animation,Comedy\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 46: tensor([3512, 1768, 3658,  947,   75, 2640, 3751, 2677, 1180, 1124])\n",
      "Adventure,Animation\n",
      "Adventure,Fantasy,Romance\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Fantasy\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Comedy\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 47: tensor([5603, 1124, 3512, 1180, 3649, 5914, 9253, 6717, 7790, 5462])\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Drama,Family\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Animation,Family\n",
      "Adventure,Animation,Sci-Fi\n",
      "\n",
      "User favorite genre info : Animation\n",
      "Top 10 recommended movies for user 48: tensor([ 699,  222,  947,   75,  618,  790, 1042,  838,  673,  145])\n",
      "Adventure,Family,Fantasy\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Sci-Fi\n",
      "Adventure,Animation,Family\n",
      "Adventure,Family,Fantasy\n",
      "Adventure,Horror,Thriller\n",
      "Adventure,Animation,Drama\n",
      "Adventure,Animation,Comedy\n",
      "Adventure,Horror\n",
      "Adventure,Animation,Comedy\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 49: tensor([1280, 5882, 8342, 1014, 6072, 3687, 4486, 4945, 8321, 5889])\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Comedy,Drama,Music\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 50: tensor([6072, 5067, 5882, 3687, 1014, 8939, 6895, 1280, 7207, 5889])\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 51: tensor([6072, 5067, 4945, 9246, 7207, 3687, 8939, 3507, 7641, 5889])\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Romance\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance,Sci-Fi\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 52: tensor([6072, 5067, 4945, 9246, 3687, 3507, 5889, 7641, 7207, 9177])\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance,Sci-Fi\n",
      "Drama,Romance\n",
      "Drama,Music,Romance\n",
      "Drama,Music,Romance\n",
      "Biography,Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 53: tensor([4945, 3973, 6072, 5067, 6711, 5397, 8034, 4706, 3457, 7405])\n",
      "Comedy,Drama,Music\n",
      "Comedy,Drama,Music\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Music\n",
      "Drama,Sport\n",
      "Drama,History,Music\n",
      "Biography,Drama,History\n",
      "Comedy,Drama,Music\n",
      "\n",
      "User favorite genre info : Musical\n",
      "Top 10 recommended movies for user 54: tensor([6072, 5067, 4945, 9246, 7207, 3687, 8939, 3507, 7641, 5889])\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Comedy,Drama,Music\n",
      "Biography,Drama,Romance\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance,Sci-Fi\n",
      "Drama,Music,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 55: tensor([1014, 7499, 8342, 8321, 1280, 6585, 9241, 2316, 4654, 5962])\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Musical,Romance,War\n",
      "Drama,Romance\n",
      "Horror,Mystery,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 56: tensor([1014, 4477, 7499, 8342, 8321, 6585, 4008, 2316, 2511, 5962])\n",
      "Drama,Fantasy,Romance\n",
      "Comedy,Drama,Romance\n",
      "Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 57: tensor([1014, 8342, 8321, 5882, 1280, 7042, 4486, 4008, 6585, 2316])\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 58: tensor([1014, 8342, 7499, 8321, 1280, 6585, 4654, 9241, 5882,  873])\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Horror,Mystery,Romance\n",
      "Musical,Romance,War\n",
      "Drama,Fantasy,Romance\n",
      "Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 59: tensor([1014, 8342, 7499, 8321, 1280, 6585, 4654, 9241, 5882,  873])\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Horror,Mystery,Romance\n",
      "Musical,Romance,War\n",
      "Drama,Fantasy,Romance\n",
      "Romance\n",
      "\n",
      "User favorite genre info : Romance\n",
      "Top 10 recommended movies for user 60: tensor([6948, 1014, 7499,  873, 4600, 5962, 8321, 6585, 4654, 1280])\n",
      "Fantasy,Mystery,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Romance\n",
      "Romance\n",
      "Horror,Romance,Sci-Fi\n",
      "Drama,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Romance\n",
      "Horror,Mystery,Romance\n",
      "Drama,Fantasy,Romance\n",
      "\n",
      "User favorite genre info : Musical, Romance\n",
      "Top 10 recommended movies for user 61: tensor([6072, 5067, 5882, 4945, 1280, 4486, 3687, 5889, 1014, 8342])\n",
      "Drama,Music,Romance\n",
      "Drama,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Comedy,Drama,Music\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "\n",
      "User favorite genre info : Musical, Romance\n",
      "Top 10 recommended movies for user 62: tensor([1014, 8342, 8321, 9241, 1280, 6585, 7499, 5882, 4008, 2316])\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Musical,Romance,War\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical, Romance\n",
      "Top 10 recommended movies for user 63: tensor([1014, 7499, 6585, 8342, 8321, 9241, 5962, 2316, 2511, 4008])\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Fantasy,Musical,Romance\n",
      "Musical,Romance,War\n",
      "Drama,Romance\n",
      "Drama,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "\n",
      "User favorite genre info : Musical, Romance\n",
      "Top 10 recommended movies for user 64: tensor([7499, 1014, 6585, 9241, 8321, 8342, 5962, 4654, 4600, 1280])\n",
      "Fantasy,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Musical,Romance,War\n",
      "Fantasy,Musical,Romance\n",
      "Drama,Fantasy,Romance\n",
      "Drama,Romance\n",
      "Horror,Mystery,Romance\n",
      "Horror,Romance,Sci-Fi\n",
      "Drama,Fantasy,Romance\n",
      "\n",
      "User favorite genre info : Comedy, Sports\n",
      "Top 10 recommended movies for user 65: tensor([4102, 2724, 4763, 5544, 4924, 2874, 5562, 5778, 6456, 1045])\n",
      "Adventure,Comedy,History\n",
      "Drama,History,Thriller\n",
      "Comedy,Drama\n",
      "Comedy,Thriller\n",
      "Drama\n",
      "Comedy,Drama\n",
      "Comedy\n",
      "Comedy,Drama,Sport\n",
      "Comedy,Drama,History\n",
      "Comedy,Drama,Sport\n",
      "\n",
      "User favorite genre info : Comedy, Sports\n",
      "Top 10 recommended movies for user 66: tensor([2724, 4763, 5701, 4924, 3875, 4102, 5639,  417, 4998, 4716])\n",
      "Drama,History,Thriller\n",
      "Comedy,Drama\n",
      "Comedy,Drama\n",
      "Drama\n",
      "Documentary\n",
      "Adventure,Comedy,History\n",
      "Thriller\n",
      "Documentary\n",
      "Drama,History,Thriller\n",
      "Drama,War\n",
      "\n",
      "User favorite genre info : Comedy, Sports\n",
      "Top 10 recommended movies for user 67: tensor([7733, 8557, 8788, 1321, 3286, 3941, 2389, 5639, 7402, 6042])\n",
      "Crime,Thriller\n",
      "Mystery,Thriller\n",
      "Crime,Mystery,Thriller\n",
      "Crime,Mystery,Thriller\n",
      "Crime,Mystery,Thriller\n",
      "Crime,Mystery,Thriller\n",
      "Crime,Thriller\n",
      "Thriller\n",
      "Crime,Drama,Thriller\n",
      "Crime,Drama,Thriller\n",
      "\n",
      "User favorite genre info : Comedy, Sports\n",
      "Top 10 recommended movies for user 68: tensor([4102, 2724, 5701, 4763, 5544, 4998, 5562, 4924, 9068, 3554])\n",
      "Adventure,Comedy,History\n",
      "Drama,History,Thriller\n",
      "Comedy,Drama\n",
      "Comedy,Drama\n",
      "Comedy,Thriller\n",
      "Drama,History,Thriller\n",
      "Comedy\n",
      "Drama\n",
      "Drama\n",
      "Comedy,Drama,Music\n",
      "\n",
      "User favorite genre info : Sports, Sci-Fi\n",
      "Top 10 recommended movies for user 69: tensor([5543, 5077, 4548,  109, 4055, 3796, 5844, 2175, 4826, 3875])\n",
      "Action,Adventure,Sci-Fi\n",
      "Drama,Sport\n",
      "Adventure,Drama,Sci-Fi\n",
      "Biography,Drama,Sport\n",
      "Sport\n",
      "Documentary\n",
      "Biography,Drama,Sport\n",
      "Biography,Documentary\n",
      "Documentary,Drama,Sport\n",
      "Documentary\n",
      "\n",
      "User favorite genre info : Sports, Sci-Fi\n",
      "Top 10 recommended movies for user 70: tensor([5543, 5077, 4548,  109, 4055, 3796, 5844, 2175, 4826, 3875])\n",
      "Action,Adventure,Sci-Fi\n",
      "Drama,Sport\n",
      "Adventure,Drama,Sci-Fi\n",
      "Biography,Drama,Sport\n",
      "Sport\n",
      "Documentary\n",
      "Biography,Drama,Sport\n",
      "Biography,Documentary\n",
      "Documentary,Drama,Sport\n",
      "Documentary\n",
      "\n",
      "User favorite genre info : Sports, Sci-Fi\n",
      "Top 10 recommended movies for user 71: tensor([4102, 2724, 5639, 4763, 4998, 4924, 5701, 4716, 3875, 9012])\n",
      "Adventure,Comedy,History\n",
      "Drama,History,Thriller\n",
      "Thriller\n",
      "Comedy,Drama\n",
      "Drama,History,Thriller\n",
      "Drama\n",
      "Comedy,Drama\n",
      "Drama,War\n",
      "Documentary\n",
      "Drama\n",
      "\n",
      "User favorite genre info : Sports, Sci-Fi\n",
      "Top 10 recommended movies for user 72: tensor([4894, 3095, 5543, 7370, 4815, 4763, 6302, 5701, 4102, 5212])\n",
      "Action,Drama,Sci-Fi\n",
      "Action,Comedy,Crime\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Adventure,Sci-Fi\n",
      "Action,Drama,Sci-Fi\n",
      "Comedy,Drama\n",
      "Action,Drama,Sci-Fi\n",
      "Comedy,Drama\n",
      "Adventure,Comedy,History\n",
      "Action,Adventure,Sci-Fi\n"
     ]
    }
   ],
   "source": [
    "# Function to recommend top 5 movies for a given user\n",
    "def recommend_movies_for_user(user_id, node_embeddings, edge_index, num_recommendations=5):\n",
    "    user_idx = torch.tensor([user_id_to_index[user_id]])\n",
    "    movie_indices = torch.arange(num_users, num_users + num_movies)\n",
    "    \n",
    "    # Generate all possible user-movie pairs\n",
    "    pairs = torch.stack([user_idx.expand(num_movies), movie_indices], dim=0)\n",
    "    \n",
    "    # Check existing edges to avoid recommending already liked movies\n",
    "    existing_edges = edge_index[:, (edge_index[0] == user_idx)]\n",
    "    existing_movies = existing_edges[1] - num_users\n",
    "    \n",
    "    # Remove existing edges from pairs\n",
    "    # mask = torch.ones(num_movies, dtype=torch.bool)\n",
    "    # mask[existing_movies] = False\n",
    "    # pairs = pairs[:, mask]\n",
    "    \n",
    "    # Get scores for the user-movie pairs\n",
    "    scores = link_predictor(node_embeddings, pairs)\n",
    "    # print(scores[scores > 0.99])\n",
    "    \n",
    "    # Get top N recommendations\n",
    "    _, top_indices = torch.topk(scores.squeeze(), num_recommendations)\n",
    "    # print(top_indices)\n",
    "    # print(scores[top_indices])\n",
    "    top_movie_indices = pairs[1][top_indices] - num_users\n",
    "    \n",
    "    return top_movie_indices\n",
    "\n",
    "# 모델 학습 후 각 유저에 대한 추천 수행\n",
    "genre_lnfo = ['Action_Crime',\n",
    " 'Action_History',\n",
    " 'Action_Disaster',\n",
    " 'Sports',\n",
    " 'Sci_Fi',\n",
    " 'Horror',\n",
    " 'Comedy',\n",
    " 'Animation',\n",
    " 'Musical',\n",
    " 'Romance',\n",
    "#  'Musical, Romance, Animation',\n",
    "#  'Comedy, Sports'\n",
    " ]\n",
    "mixed_genre_info = [\n",
    "    'Musical, Romance',\n",
    "    'Comedy, Sports',\n",
    "    'Sports, Sci-Fi'\n",
    "]\n",
    "node_embeddings = gcn_model(data.x, data.edge_index)\n",
    "for i in range(num_users):\n",
    "    user_id = users['user_id'][i]\n",
    "    num_recommendations = 10\n",
    "    top_movies = recommend_movies_for_user(user_id, node_embeddings, edge_index, num_recommendations=num_recommendations)\n",
    "    # 해당 유저가 좋아하는 장르도 출력\n",
    "    print()\n",
    "    idx = i\n",
    "    if i < 60:\n",
    "        idx = int(i/6)\n",
    "    # elif i >= 40 and i < 43:\n",
    "    #     idx = 10\n",
    "    # else:\n",
    "    #     idx = 11\n",
    "        print(\"User favorite genre info :\", genre_lnfo[idx])\n",
    "    elif i >= 60:\n",
    "        print(\"User favorite genre info :\", mixed_genre_info[int((idx-60)/4)])\n",
    "    print(f\"Top {num_recommendations} recommended movies for user {user_id + 1}: {top_movies}\")\n",
    "    for idx in top_movies:\n",
    "        print(final_metadata.iloc[int(idx)].genres)\n",
    "        # print(movie_metadata.iloc[int(idx)].overview)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 82,
   "metadata": {},
   "outputs": [],
   "source": [
    "# save models\n",
    "torch.save(gcn_model.state_dict(), 'gcn_model_0602_heavy.pth')\n",
    "torch.save(link_predictor.state_dict(), 'link_predictor_0602_heavy.pth')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 83,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "import torch\n",
    "import torch.nn as nn\n",
    "import torch.nn.functional as F\n",
    "from torch_geometric.nn import GCNConv\n",
    "from torch_geometric.data import Data\n",
    "\n",
    "class GCNLinkPredictor(nn.Module):\n",
    "    def __init__(self, num_in_features, num_out_features=128, num_users=1):\n",
    "        super().__init__()\n",
    "        self.conv1 = GCNConv(num_in_features, num_out_features)\n",
    "        self.conv2 = GCNConv(num_out_features, num_out_features)\n",
    "        self.num_users = num_users\n",
    "\n",
    "    def forward(self, x, edge_index):\n",
    "        user_embedding = x[:self.num_users]\n",
    "        movie_features = x[self.num_users:].detach()\n",
    "        \n",
    "        x = torch.cat([user_embedding, movie_features], dim=0)\n",
    "        x = self.conv1(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        x = self.conv2(x, edge_index)\n",
    "        x = F.elu(x)\n",
    "        x = F.dropout(x, p=0.5, training=self.training)\n",
    "        \n",
    "        x[self.num_users:] = movie_features\n",
    "        return x\n",
    "\n",
    "# 유저 - 영화 간 edge를 입력받아 유저-영화 간 관계 예측\n",
    "class LinkPredictor(nn.Module):\n",
    "    def __init__(self, input_dim):\n",
    "        super().__init__()\n",
    "        self.fc1 = nn.Linear(input_dim * 2, input_dim * 2)\n",
    "        self.fc2 = nn.Linear(input_dim * 2, input_dim)\n",
    "        # self.fc3 = nn.Linear(input_dim, 1)\n",
    "        self.fc3 = nn.Linear(input_dim, input_dim)\n",
    "        self.fc4 = nn.Linear(input_dim, input_dim)\n",
    "        self.fc5 = nn.Linear(input_dim, 1)\n",
    "        self.dropout = nn.Dropout(p=0.5)\n",
    "\n",
    "    def forward(self, z, edge_index):\n",
    "        row, col = edge_index\n",
    "        z_row = z[row]\n",
    "        z_col = z[col]\n",
    "        \n",
    "        # 임베딩 연결\n",
    "        z_concat = torch.cat([z_row, z_col], dim=1)\n",
    "        \n",
    "        # 비선형 활성화 함수\n",
    "        x = F.relu(self.fc1(z_concat))\n",
    "        \n",
    "        # 정규화를 위한 드롭아웃\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc2(x))\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc3(x))\n",
    "        x = self.dropout(x)\n",
    "\n",
    "        x = F.relu(self.fc4(x))\n",
    "        x = self.dropout(x)\n",
    "        \n",
    "        return torch.sigmoid(self.fc5(x))\n",
    "        # return torch.sigmoid(self.fc3(x))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 84,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "LinkPredictor(\n",
       "  (fc1): Linear(in_features=828, out_features=828, bias=True)\n",
       "  (fc2): Linear(in_features=828, out_features=414, bias=True)\n",
       "  (fc3): Linear(in_features=414, out_features=414, bias=True)\n",
       "  (fc4): Linear(in_features=414, out_features=414, bias=True)\n",
       "  (fc5): Linear(in_features=414, out_features=1, bias=True)\n",
       "  (dropout): Dropout(p=0.5, inplace=False)\n",
       ")"
      ]
     },
     "execution_count": 84,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# 영화 features\n",
    "movie_features = torch.from_numpy(np.load(\"final_features_0528.npy\")).float()\n",
    "\n",
    "num_movies = movie_features.size(0)\n",
    "num_in_features = movie_features.size(1)\n",
    "num_out_features = movie_features.size(1)\n",
    "# load saved models\n",
    "gcn_model = GCNLinkPredictor(num_in_features, num_out_features, 1)\n",
    "link_predictor = LinkPredictor(num_out_features)\n",
    "gcn_model.load_state_dict(torch.load('gcn_model_0602_heavy.pth'))\n",
    "link_predictor.load_state_dict(torch.load('link_predictor_0602_heavy.pth'))\n",
    "\n",
    "# 모델을 evaluation 모드로 변경\n",
    "gcn_model.eval()\n",
    "link_predictor.eval()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 85,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "torch.Size([0])\n",
      "tensor([[0.9787],\n",
      "        [0.9132],\n",
      "        [0.8903],\n",
      "        [0.8764],\n",
      "        [0.8200],\n",
      "        [0.7975],\n",
      "        [0.7962],\n",
      "        [0.7926],\n",
      "        [0.7895],\n",
      "        [0.7804],\n",
      "        [0.7732],\n",
      "        [0.7711],\n",
      "        [0.7601],\n",
      "        [0.7579],\n",
      "        [0.7529],\n",
      "        [0.7522],\n",
      "        [0.7517],\n",
      "        [0.7488],\n",
      "        [0.7485],\n",
      "        [0.7427]], grad_fn=<IndexBackward0>)\n",
      "Top 20 recommended movies for the new user: tensor([4102, 5701, 4763, 1045, 4847, 6694,  183, 5963, 6196, 5636,   60, 4783,\n",
      "        5871, 3703, 3554, 1053, 5013, 5562, 6307, 6027])\n",
      "봉이 김선달\n",
      "Adventure,Comedy,History\n",
      "천재적 지략과 당대 최고의 뻔뻔함! 두둑한 배포에 수려한 외모까지 갖춘 희대의 천재사기꾼 김선달(유승호). 신출귀몰, 나타났다 하면 전설을 만들어 내는 김선달은 늘 인생 최고의 판을 기다린다.  그는 위장 전문 보원(고창석), 복채 강탈 전문 윤보살(라미란), 사기 꿈나무 견이(시우민)과 함께 온갖 기상천외한 사기 행각을 벌이며 조선 최고의 사기패로 조선 팔도에서 명성을 떨친다.  조선에서 가장 비싼 값에 거래된다는 담파고(담배) 탈취라는 새로운 판을 준비하던 그들은, 그 배후에 당대 최고의 권력가 성대련(조재현)이 있음을 알게 되고, 그를 속이기 위해 ‘주인 없는 대동강’을 미끼로 인생 최대의 판을 꾸미게 되는데…\n",
      "세 얼간이\n",
      "Comedy,Drama\n",
      "천재들만 간다는 일류 명문대 ICE, 성적과 취업만을 강요하는 학교를 발칵 뒤집어 놓은 대단한 녀석 란초! 아버지가 정해준 꿈, ‘공학자’가 되기 위해 정작 본인이 좋아하는 일은 포기하고 공부만 하는 파파보이 파르한! 찢어지게 가난한 집, 병든 아버지와 식구들을 책임지기 위해 무조건 대기업에 취직해야만 하는 라주! 친구의 이름으로 뭉친 ‘세 얼간이’! 삐딱한 천재들의 진정한 꿈을 찾기 위한 세상 뒤집기 한판이 시작된다!\n",
      "7번방의 선물\n",
      "Comedy,Drama\n",
      "최악의 흉악범들이 모인 교도소 7번방에 이상한 놈이 들어왔다! 그는 바로 6살 지능의 딸바보 용구. 평생 죄만 짓고 살아온 7번방 패밀리들에게 떨어진 미션은 바로 용구 딸 예승이를 외부인 절대 출입금지인 교도소에 반.입.하.는.것! 웃음과 감동 가득한 사상초유의 합동작전이 시작된다!\n",
      "허슬\n",
      "Comedy,Drama,Sport\n",
      "운이 다한 농구 스카우트(애덤 샌들러)가 평생에 한 번 볼까 말까 한 엄청난 실력에 험난한 과거를 가진 선수를 외국에서 우연히 발견한다. 결국 그는 팀의 허락도 받지 않고 독단으로 이 천재 선수를 미국에 데려가는데. 두 사람은 난관을 무릅쓰고 NBA에서 성공할 자질을 갖췄음을 입증하기 위한 마지막 시도에 나선다.\n",
      "아티스트 봉만대\n",
      "Comedy\n",
      "임필성 감독이 인도네시아 발리에서 올 로케로 야심만만하게 촬영 중인 에로공포영화 . 그러나 무난해도 너무 무난한 에로 씬에 실망한 제작자는 특단의 조치를 취하고야 만다. 에로영화계의 거장 봉만대 감독 긴급투입! 봉감독의 등장으로 촬영장은 폭풍전야의 불길한 기운이 감돌고, 확 바뀐 에로 씬에 여배우들의(곽현화, 성은, 이파니) 불만은 최고조! 급기야 예정에 없던 노출 씬을 앞두고 봉감독에게 대놓고 막말을 불사하는데....\n",
      "홀즈\n",
      "Adventure,Comedy,Drama\n",
      "아동용 베스트셀러 소설인 루이스 세이커(Louis Sachar)의 동명소설을 영화화한 작품\n",
      "더 퍼스트 슬램덩크\n",
      "Animation,Comedy,Drama\n",
      "전국 제패를 꿈꾸는 북산고 농구부 5인방의 꿈과 열정, 멈추지 않는 도전을 그린 영화\n",
      "피츠버그의 미스터리\n",
      "Adventure,Comedy,Drama\n",
      "마이클 셰이본의 소설을 원작으로 한 영화로, 갱스터 아버지를 둔 주인공의 삶과, 그를 둘러싼 사랑과 우정 관계들을 탐구하는 주인공의 여름 방학 경험을 그린다.\n",
      "모두들, 괜찮아요?\n",
      "Comedy,Drama\n",
      "한 때 무용 유망주였지만 지금은 동네 무용학원 원장인 민경. 그녀의 아버지 원조는 치매 때문에 이리저리 사고를 치고, 10년째 영화감독 지망생인 남편 상훈은 백수에, 9살짜리 아들 병국은 아빠를 삼촌이라 부르는 애어른이다. 용하다는 점쟁이에게 개털사주라는 말까지 들은 이 가족은 매일 단체로 민경을 괴롭히는데, 어느 날 상훈의 바람기를 목격한 민경은 마침내 폭발하고 민경만 믿고 살아온 세 남자의 태평한 삶에 위기가 닥친다.\n",
      "킹콩을 들다\n",
      "Comedy,Drama\n",
      "88올림픽 역도 동메달리스트였지만 부상으로 운동을 그만둔 후 시골여중 역도부 코치로 내려온 이지봉. 역도선수에게 남는 건 부상과 우락부락한 근육뿐이라며 역도에 이골 난 그가 가진 거라곤 힘 밖에 없는 시골소녀들을 만났다. 낫질로 다져진 튼튼한 어깨와 통짜 허리라는 타고난 신체조건의 영자, 학교 제일 킹카를 짝사랑하는 빵순이 현정, 하버드 로스쿨에 들어가 FBI가 되겠다는 모범생 수옥, 아픈 엄마를 위해 역도선수로 성공하고 싶다는 효녀 여순, 힘쓰는 일이 천성인 보영, 섹시한 역도복의 매력에 푹 빠진 S라인 사차원 꽃미녀 민희. 개성도 외모도 제각각 이지만 끈기와 힘만은 세계 최강인 순수한 시골소녀들의 열정에 감동한 이지봉은 오갈 데 없는 아이들을 위해 합숙소를 만들고, 본격 훈련에 돌입한다. 맨땅에서 대나무 봉으로 시작한 그들은 이지봉의 노력에 힘입어 어느새 역기 하나쯤은 가뿐히 들어올리는 역도선수로 커나가고 마침내 올림픽 금메달에 도전하게 되는데….\n",
      "멍뭉이\n",
      "Comedy,Drama,Family\n",
      "동생 같은 반려견 루니를 위해 정시 퇴근에 진심인 민수. 결혼을 앞둔 그에게 닥친 견주 인생 조기 로그아웃 위기! 야심 차게오픈한 카페는 말아먹고 인생 자체가 위기인 사촌형 진국, 민수의 다급한 SOS에 고심하다 새 집사 면접을 제안하게 되고.완벽한 집사를 찾기 위해 제주도로 향하는 두 형제의 여정에 느닷없는 멍뭉이들의 등장이 이어지는데...\n",
      "파파로티\n",
      "Biography,Comedy,Drama\n",
      "한 때 잘 나가던 성악가였지만 지금은 촌구석 예고의 음악 선생인 상진(한석규). 싸늘한 교육열, 까칠함만 충만한 그에게 청천벽력 같은 미션이 떨어진다. 천부적 노래 실력을 지녔으나, 일찍이 주먹세계에 입문한 건달 장호(이제훈)를 가르쳐 콩쿨에서 입상 하라는 것. 전학 첫날 검은 승용차에 어깨들까지 대동하고 나타난 것도 모자라, 수업 중에도 ‘큰 형님’의 전화는 꼭꼭 챙겨 받는 무늬만 학생인 장호가 못마땅한 상진. 장호의 노래를 들어볼 필요도 없이 결론을 내린다.  주먹과 노래 두 가지 재능을 타고났으나 막막한 가정 환경으로 인해 주먹 세계에 뛰어든 장호. 비록 현실은 ‘파바로티’의 이름 하나 제대로 모르는 건달이지만 성악가가 되고픈 꿈만은 잊은 적 없다. 이런 자신을 가르쳐 주긴커녕 툭하면 개나 소나 취미로 하는 게 클래식이냐며 사사건건 무시하는 쌤 상진의 태도에 발끈하는 장호. 그래도 꿈을 포기할 수 없는 장호는 험난하고 까칠한 상진과의 관계를 이어가는데...\n",
      "과속스캔들\n",
      "Comedy,Drama,Music\n",
      "한때 아이돌 스타로 10대 소녀 팬들의 영원한 우상이었던 남현수. 지금은 서른 중반의 나이지만, 그래도 아직까지는 잘나가는 연예인이자, 청취율 1위의 인기 라디오 DJ. 어느 날 애청자를 자처하며 하루도 빠짐없이 라디오에 사연을 보내오던 황정남이 느닷없이 찾아와 자신이 현수가 과속해서 낳은 딸이라며 바득바득 우겨대기 시작하는데!! 그것도 애까지 달고 나타나서…… 집은 물론 현수의 나와바리인 방송국까지. 어디든 물불 안 가리고 쫓아다니는 스토커 정남으로 인해 완벽했던 인생에 태클 한방 제대로 걸린 현수. 설상가상 안 그래도 머리 복잡한 그에게 정남과 스캔들까지 휩싸이게 되는데… 나 이제, 이거 한방 터지면 정말 끝이다! 끝!!\n",
      "수성못\n",
      "Comedy,Drama,Family\n",
      "아르바이트와 편입 준비를 하며 인생역전을 꿈꾸는 희정. 치열하지만 짠내나게 살던 어느 날, 뜻하지 않게 수성못에서 일어난 실종사건에 연루된다. 설상가상 남다르게 치열한 인간 영목과 엮이며 그녀의 평화로운 일상에 예상치 못했던 일들이 펼쳐진다.\n",
      "변산\n",
      "Comedy,Drama,Music\n",
      "발렛 파킹, 편의점 아르바이트로 빡센 청춘을 보내지만, 쇼미더머니 6년 개근의 열정을 불태우는 무명 래퍼 학수 a.k.a 심뻑. 또 다시 예선 탈락을 맞이한 인생 최악의 순간, 한 통의 전화를 받고 잊고 싶었던 고향 변산으로 향한다. 짝사랑 선미의 꼼수에 제대로 낚여 고향에 강제로 소환된 학수. 징글징글하게 들러 붙는 옛 친구들로 인해 지우고 싶었던 흑역사는 하나, 둘 떠오르고 하루 빨리 고향을 뜨고 싶었던 학수는 예측 불허의 사건들을 겪으면서 인생 최대 위기를 맞이하게 되는데...\n",
      "좋.댓.구\n",
      "Comedy\n",
      "한때 떠오르는 배우였던 오태경은 슬럼프의 돌파구로 영화 '올드보이'의 콘셉트를 빌려 사람들의 소원을 들어주는 유튜브 채널을 개설한다. 어느 날 거액의 돈을 가진 구독자가 '아무것도 안 했다'는 피켓을 들고 홀로 서 있는 남자의 사연을 알아봐 달라고 한다. 하지만, 그 남자는 끝까지 침묵을 지킨다. 그렇게 태경이 포기하려 할 때, 우연히 피켓맨의 여동생을 만나게 되고 그녀는 그에게 무슨 일이 있었는지 말해준다. 태경이 피켓맨의 진실에 가까워질수록 숨겨진 비밀에 대한 기대는 충격적인 반전으로 드러난다.\n",
      "577 프로젝트\n",
      "Adventure,Comedy,Drama\n",
      "하정우의 물귀신 작전에 낚여버린 국민 공블리 공효진.  그리고 개성 넘치는 16명의 배우들과 함께 떠나는  서울부터 해남까지 577km  얼떨결에 내뱉은 말 한마디로 장장 577km를 걷게 된  공효진 하정우의 순도 200% 리얼 버라이어티 무비 !\n",
      "방가? 방가!\n",
      "Comedy\n",
      "취업의 달인 나가신다!  내추럴 본 동남아 삘~ 외모를 자랑하는, 낙방의 달인, 굴욕의 지존 방태식! 취업을 위해 부탄인 방가로 무한 변신 성공! 드디어 최강 백수의 타이틀을 벗다! 글로벌 시대를 정복한 변신의 달인 방가의 성공을 위한 눈물겨운 좌충우돌 코믹 분투 불타는 취업 성공기가 시작된다!\n",
      "라디오 스타\n",
      "Comedy,Drama\n",
      "명곡 '비와 당신'으로 88년 가수 왕을 차지했던 최곤은 그 후 대마초 사건, 폭행사건 등에 연루돼 이제는 불륜커플을 상대로 미사리 까페촌에서 기타를 튕기고 있는 신세지만, 아직도 자신이 스타라고 굳게 믿고 있다. 조용하나 싶더니 까페 손님과 시비가 붙은 최곤은 급기야 유치장 신세까지 지게 되는데…일편단심 매니저 박민수는 합의금을 찾아 다니던 중 지인인 방송국 국장을 만나고, 최곤이 영월에서 DJ를 하면 합의금을 내준다는 약속을 받아낸다.\n",
      "프라운랜드\n",
      "Comedy,Drama\n",
      "신경증적 증상의 노예로 사는 키스는 하루하루를 힘들게 보낸다. 말을 심하고 더듬고 불안감에 가만히 있지를 못한다. 주변 사람들은 그의 존재를 답답해하며 증오한다. 우리는 그를 어떻게 받아들여야 할 것일까?\n"
     ]
    }
   ],
   "source": [
    "import numpy as np\n",
    "import torch\n",
    "\n",
    "# 유저 임베딩 생성 함수\n",
    "def create_new_user_embedding(movie_features, interacted_movie_indices):\n",
    "    new_user_embedding = movie_features[interacted_movie_indices].mean(dim=0)\n",
    "    return new_user_embedding\n",
    "\n",
    "def recommend_movies_for_new_user(link_predictor, node_embeddings, edge_index, num_users = 1, num_movies = 9525, num_recommendations=5):\n",
    "    movie_indices = torch.arange(num_users, num_users + num_movies) # 영화 인덱스 생성 (유저 수만큼 offset)\n",
    "    \n",
    "    # user-movie pairs 생성\n",
    "    user_movie_pairs = torch.stack([torch.zeros(num_movies, dtype=torch.long), movie_indices], dim=0)\n",
    "\n",
    "    # 기존 유저가 본 영화 제외\n",
    "    already_seen_movies = edge_index[1] - num_users\n",
    "    mask = torch.ones(num_movies, dtype=torch.bool)\n",
    "    mask[already_seen_movies] = False\n",
    "    user_movie_pairs = user_movie_pairs[:, mask]\n",
    "    \n",
    "    # user-movie pairs의 score 계산\n",
    "    scores = link_predictor(node_embeddings, user_movie_pairs)\n",
    "    print(scores[scores >= 1].shape)\n",
    "    # top N 추천\n",
    "    _, top_indices = torch.topk(scores.squeeze(), num_recommendations)\n",
    "    # top N의 score\n",
    "    print(scores[top_indices])\n",
    "    top_movie_indices = user_movie_pairs[1][top_indices] - num_users # 유저 수만큼 offset 재조정\n",
    "    \n",
    "    return top_movie_indices\n",
    "\n",
    "new_user_interacted_movies = [1175]\n",
    "new_user_embedding = create_new_user_embedding(movie_features, new_user_interacted_movies)\n",
    "\n",
    "new_x = torch.cat([new_user_embedding.view(1, -1), movie_features], dim=0)\n",
    "num_users = 1\n",
    "\n",
    "# 유저 - 영화 간 상호작용 edge index로 변환\n",
    "user_indices = [i for i in range(num_users)]\n",
    "movie_indices = [i + num_users for i in new_user_interacted_movies]\n",
    "\n",
    "edge_index = torch.tensor([user_indices * len(movie_indices), movie_indices], dtype=torch.long)\n",
    "\n",
    "node_embeddings = gcn_model(new_x, edge_index)\n",
    "\n",
    "# 새로운 유저에 대한 추천 수행\n",
    "num_recommendations = 20\n",
    "top_movies_for_new_user = recommend_movies_for_new_user(\n",
    "    link_predictor=link_predictor,\n",
    "    node_embeddings=node_embeddings, \n",
    "    edge_index=edge_index,\n",
    "    num_users=num_users,\n",
    "    num_movies=movie_features.shape[0],\n",
    "    num_recommendations=num_recommendations)\n",
    "print(f\"Top {num_recommendations} recommended movies for the new user: {top_movies_for_new_user}\")\n",
    "for idx in top_movies_for_new_user:\n",
    "    print(movie_metadata.iloc[int(idx)].title)\n",
    "    print(final_metadata.iloc[int(idx)].genres)\n",
    "    print(movie_metadata.iloc[int(idx)].overview)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "movie_recommend_env",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.19"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}