Update app.py

app.py

@@ -187,9 +187,10 @@ def get_unified_recommendations_api(
 
 
     # JALUR 2 & 3: Pengguna Baru (dengan atau tanpa probe)
-    elif preferred_categories and probe_user_raw_ids:
-        # Ini adalah jalur yang benar untuk probing (Logika dari model asli)
-        print(f"Membuat rekomendasi untuk pengguna baru dengan preferensi: {preferred_categories} (NCF probe)")
+    elif preferred_categories:
+        # Ini adalah jalur untuk pengguna baru dengan metode hybrid NCF probing.
+        # Probe users akan dipilih secara otomatis dan acak di server.
+        print(f"Membuat rekomendasi untuk pengguna baru dengan preferensi: {preferred_categories} (NCF probe otomatis)")
     
         # 1. Validasi Kategori
         valid_categories = [cat for cat in preferred_categories if cat in df_wisata.columns and cat in list_kategori_wisata_valid_passed]
@@ -210,17 +211,32 @@ def get_unified_recommendations_api(
         else:
             candidate_wisata_df['google_rating_norm'] = 0.0
     
-        # 4. Validasi Probe User IDs
+        # 4. Pilih Probe Users Secara Acak di Server (LOGIKA BARU)
+        all_known_users = list(user_encoder_passed.classes_)
+        if not all_known_users:
+            print("Warning: Tidak ada data pengguna di dalam sistem untuk melakukan probing. Rekomendasi tidak dapat dibuat.")
+            # Opsi: Jatuh ke metode fallback yang lebih sederhana (non-NCF) atau kembalikan kosong.
+            # Mengembalikan kosong lebih aman jika NCF adalah inti dari logika ini.
+            return []
+    
+        num_to_sample = min(NUM_SAMPLES_FOR_PROBE, len(all_known_users))
+        probe_user_raw_ids = random.sample(all_known_users, num_to_sample)
+        print(f"Server memilih {len(probe_user_raw_ids)} probe users secara acak.")
+    
+        # 5. Ubah Probe User IDs ke Format Integer (yang sebelumnya adalah Validasi)
         valid_probe_user_ids_int = []
+        # Loop ini tetap diperlukan untuk mengubah ID string acak menjadi integer untuk model
         for raw_id in probe_user_raw_ids:
             try:
                 valid_probe_user_ids_int.append(user_encoder_passed.transform([raw_id])[0])
             except ValueError:
-                print(f"Warning: Probe user ID '{raw_id}' tidak dikenal.")
-    
-        # 5. Hitung Skor NCF untuk setiap kandidat wisata
+                # Secara teori ini jarang terjadi jika `all_known_users` berasal dari sumber yang sama,
+                # tapi ini adalah pengaman yang baik.
+                print(f"Warning: Probe user ID '{raw_id}' yang dipilih secara acak tidak dikenal encoder.")
+                
+        # 6. Hitung Skor NCF untuk Setiap Kandidat Wisata
         if not valid_probe_user_ids_int:
-            print("Warning: Tidak ada probe user ID yang valid. NCF appeal score akan 0.")
+            print("Warning: Tidak ada probe user ID yang valid setelah proses encoding. NCF appeal score akan 0.")
             candidate_wisata_df['avg_ncf_appeal_score'] = 0.0
         else:
             avg_ncf_appeal_scores = []
@@ -251,26 +267,25 @@ def get_unified_recommendations_api(
             
             candidate_wisata_df['avg_ncf_appeal_score'] = avg_ncf_appeal_scores
     
-        # 6. Hitung Skor Akhir dan Lakukan Ranking
+        # 7. Hitung Skor Akhir dan Lakukan Ranking
         candidate_wisata_df['final_score %'] = (
             (weight_google_rating_new * candidate_wisata_df['google_rating_norm'].fillna(0) +
              weight_ncf_appeal_new * candidate_wisata_df['avg_ncf_appeal_score']) * 100
         )
         ranked_wisata = candidate_wisata_df.sort_values(by='final_score %', ascending=False).head(n)
     
-        # 7. Kembalikan hasil dalam format yang diinginkan
+        # 8. Kembalikan Hasil dalam Format yang Diinginkan
         display_cols = ['ID Tempat', 'Nama Wisata', 'final_score %']
-        return ranked_wisata[display_cols].to_dict(orient='records')
-    
+        return ranked_wisata[[col for col in display_cols if col in ranked_wisata.columns]].to_dict(orient='records')
+        
     else:
-        # Jika tidak ada input yang valid
-        return []
+    # Jika tidak ada input yang valid
+    return []
 
 # --- 5. Definisikan Request Body dengan Pydantic ---
 class RecommendationRequest(BaseModel):
-    user_id: Optional[str] = Field(None, description="ID unik pengguna yang sudah ada di sistem.")
-    preferred_categories: Optional[List[str]] = Field(None, description="List kategori yang disukai pengguna baru, cth: ['budaya', 'seni'].")
-    probe_user_ids: Optional[List[str]] = Field(None, description="(Opsional) Daftar ID pengguna 'probe' untuk NCF hybrid.")
+    user_id: Optional[str] = Field(None, description="ID unik pengguna yang sudah terdaftar.")
+    preferred_categories: Optional[List[str]] = Field(None, description="Daftar kategori yang disukai pengguna baru.")
     n: int = Field(10, gt=0, le=50, description="Jumlah rekomendasi yang diinginkan.")
 
     class Config:
@@ -314,10 +329,6 @@ async def get_recommendations(request: RecommendationRequest):
     recommendations = get_unified_recommendations_api(
         raw_user_id=request.user_id,
         preferred_categories=request.preferred_categories,
-        
-        # Teruskan probe_user_ids ke fungsi utama
-        probe_user_raw_ids=request.probe_user_ids, 
-        
         n=request.n
     )