Update app.py

app.py

@@ -187,30 +187,81 @@ def get_unified_recommendations_api(
 
 
     # JALUR 2 & 3: Pengguna Baru (dengan atau tanpa probe)
-    elif preferred_categories:
-        valid_categories = [cat for cat in preferred_categories if cat in existing_list_kategori]
-        if not valid_categories: return []
-
+    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)")
+    
+        # 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]
+        if not valid_categories:
+            print(f"Tidak ada kategori valid dari preferensi: {preferred_categories}")
+            return []
+    
+        # 2. Filter Kandidat Wisata Berdasarkan Kategori
         mask = df_wisata[valid_categories].sum(axis=1) > 0
-        filtered_wisata = df_wisata[mask].copy()
-        if filtered_wisata.empty: return []
-
-        # Ini adalah jalur fallback sederhana (Jalur 3)
-        sort_cols = []
-        if 'Overall Rating (Google Maps)' in filtered_wisata.columns:
-            sort_cols.append('Overall Rating (Google Maps)')
-        if 'Jumlah Ulasan (Google Maps)' in filtered_wisata.columns:
-             sort_cols.append('Jumlah Ulasan (Google Maps)')
-
-        if not sort_cols:
-            ranked_wisata = filtered_wisata.head(n)
+        candidate_wisata_df = df_wisata[mask].copy()
+        if candidate_wisata_df.empty:
+            print(f"Tidak ditemukan tempat wisata yang cocok dengan kategori: {valid_categories}")
+            return []
+    
+        # 3. Normalisasi Rating Google
+        if 'Overall Rating (Google Maps)' in candidate_wisata_df.columns:
+            candidate_wisata_df['google_rating_norm'] = normalize_series_min_max(candidate_wisata_df['Overall Rating (Google Maps)'])
         else:
-            ranked_wisata = filtered_wisata.sort_values(by=sort_cols, ascending=False).head(n)
-
-        # Hanya kembalikan kolom yang relevan
-        display_cols = ['ID Tempat', 'Nama Wisata'] + [col for col in sort_cols if col in ranked_wisata.columns]
+            candidate_wisata_df['google_rating_norm'] = 0.0
+    
+        # 4. Validasi Probe User IDs
+        valid_probe_user_ids_int = []
+        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
+        if not valid_probe_user_ids_int:
+            print("Warning: Tidak ada probe user ID yang valid. NCF appeal score akan 0.")
+            candidate_wisata_df['avg_ncf_appeal_score'] = 0.0
+        else:
+            avg_ncf_appeal_scores = []
+            for _, row_cand in candidate_wisata_df.iterrows():
+                item_id_raw = row_cand['ID Tempat']
+                try:
+                    item_id_int = item_encoder_passed.transform([item_id_raw])[0]
+                    item_features = df_wisata_features_passed[df_wisata_features_passed['item_id_int'] == item_id_int][feature_columns_ncf_passed].iloc[[0]].values.astype(np.float32)
+    
+                    if item_features.size == 0:
+                        avg_ncf_appeal_scores.append(0.0)
+                        continue
+    
+                    ncf_preds_for_item = []
+                    for user_id_int in valid_probe_user_ids_int:
+                        model_input = {
+                            'user_input': np.array([user_id_int]),
+                            'item_input': np.array([item_id_int]),
+                            'features_input': item_features
+                        }
+                        pred = ncf_model.predict(model_input, verbose=0)[0][0]
+                        ncf_preds_for_item.append(pred)
+                    
+                    avg_ncf_appeal_scores.append(np.mean(ncf_preds_for_item) if ncf_preds_for_item else 0.0)
+    
+                except ValueError:
+                    avg_ncf_appeal_scores.append(0.0) # Item tidak dikenal oleh encoder
+            
+            candidate_wisata_df['avg_ncf_appeal_score'] = avg_ncf_appeal_scores
+    
+        # 6. 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
+        display_cols = ['ID Tempat', 'Nama Wisata', 'final_score %']
         return ranked_wisata[display_cols].to_dict(orient='records')
-
+    
     else:
         # Jika tidak ada input yang valid
         return []
@@ -219,6 +270,7 @@ def get_unified_recommendations_api(
 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.")
     n: int = Field(10, gt=0, le=50, description="Jumlah rekomendasi yang diinginkan.")
 
     class Config:
@@ -237,14 +289,15 @@ class RecommendationRequest(BaseModel):
 @app.post("/recommendations", summary="Dapatkan Rekomendasi Wisata")
 async def get_recommendations(request: RecommendationRequest):
     """
-    Endpoint ini memberikan rekomendasi wisata berdasarkan dua skenario:
+    Endpoint ini memberikan rekomendasi wisata berdasarkan tiga skenario:
     
     1.  **Untuk Pengguna yang Sudah Ada**: Sediakan `user_id`.
-    2.  **Untuk Pengguna Baru**: Sediakan list `preferred_categories`.
+    2.  **Untuk Pengguna Baru (Hybrid Probing)**: Sediakan `preferred_categories` DAN `probe_user_ids`. Ini akan memberikan hasil yang lebih cerdas.
+    3.  **Untuk Pengguna Baru (Fallback Sederhana)**: Sediakan HANYA `preferred_categories`. Rekomendasi akan didasarkan pada popularitas dalam kategori tersebut.
     
-    Jika `user_id` disediakan, `preferred_categories` akan diabaikan.
+    Jika `user_id` disediakan, input lain akan diabaikan.
     """
-     
+    
     if not request.user_id and not request.preferred_categories:
         raise HTTPException(
             status_code=400,
@@ -252,14 +305,19 @@ async def get_recommendations(request: RecommendationRequest):
         )
 
     if request.user_id:
-        # Cek apakah user sudah ada DI DATA YANG SEDANG BERJALAN
         if request.user_id not in MODEL_DATA['user_encoder'].classes_:
             print(f"API mendeteksi user_id baru: '{request.user_id}'. Menjalankan proses penambahan...")
+            # Fungsi ini mungkin perlu Anda tinjau kembali, apakah pengguna baru seharusnya langsung ditambahkan
+            # atau hanya ditangani sebagai pengguna anonim.
             add_new_user_to_artifacts(request.user_id)
 
     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
     )