Système de Recommandation de Contenu - My Content

Projet de développement d'un système de recommandation d'articles basé sur une architecture serverless Azure Functions avec interface utilisateur Streamlit.

Vue d'ensemble

Ce projet implémente un système de recommandation de contenu utilisant des algorithmes de filtrage collaboratif et basé sur le contenu. L'architecture serverless permet une mise à l'échelle automatique et un coût optimisé.

Fonctionnalités principales

• API de recommandation : Azure Function retournant le top 5 des articles recommandés pour un utilisateur
• Interface utilisateur : Application Streamlit pour tester et démontrer le système
• Algorithmes implémentés : Content-Based Filtering avec embeddings pré-calculés
• Architecture serverless : Déploiement sur Azure Functions avec plan Consumption

Architecture

MVP Actuel

[Interface Streamlit] → [Azure Functions API] → [Algorithme de recommandation]
                                ↓
                        [Données embeddings + historique utilisateur]

Composants

• Frontend : Streamlit (interface de test)
• Backend : Azure Functions (Python 3.12, Linux)
• Algorithme : Content-Based Filtering avec similarité cosinus
• Données : Embeddings articles (50D via PCA vs 250D embeddings originaux) + historique des clics

Structure du Projet

Project_10/
├── azure-app/                  # Azure Function
│   ├── function_app.py         # Point d'entrée Azure Function
│   ├── requirements.txt        # Dépendances Python
│   ├── host.json              # Configuration Azure Functions
│   ├── local.settings.json    # Configuration locale (non versionnée)
│   ├── data/
│   │   ├── embeddings_azure_50d.pkl    # Embeddings articles (PCA 50D)
│   │   └── clicks_sample.csv           # Historique des clics utilisateurs
│   └── utils/
│       ├── data_loader.py      # Chargement et cache des données
│       └── content_based.py    # Algorithme de recommandation
├── streamlit_app.py           # Interface utilisateur
├── streamlit_requirements.txt # Dépendances Streamlit
└── README.md

Installation et Déploiement

Prérequis

• Python 3.12+
• Azure CLI
• Azure Functions Core Tools
• Compte Azure

Déploiement Azure Functions

1. Connexion à Azure

az login

2. Création de l'infrastructure

# Groupe de ressources
az group create --name rg-content-recommender --location francecentral

# Compte de stockage
az storage account create --name [votre-nom-stockage-unique] \
  --resource-group rg-content-recommender \
  --location francecentral \
  --sku Standard_LRS

# Function App Linux avec Python 3.12
az functionapp create \
  --resource-group rg-content-recommender \
  --consumption-plan-location francecentral \
  --runtime python \
  --runtime-version 3.12 \
  --functions-version 4 \
  --name contentrecommender-linux \
  --storage-account stcontentrecommend2025 \
  --os-type Linux

3. Déploiement du code

# Depuis le dossier azure-app
func azure functionapp publish contentrecommender-linux

Interface Streamlit

1. Installation des dépendances

pip install -r streamlit_requirements.txt

2. Lancement de l'interface

streamlit run streamlit_app.py

Utilisation

API Azure Functions

Endpoint : https://contentrecommender-linux.azurewebsites.net/api/recommend

Paramètres :

• user_id (int) : Identifiant de l'utilisateur (0-706)

Exemple d'appel :

curl "https://contentrecommender-linux.azurewebsites.net/api/recommend?user_id=0"

Réponse :

{
  "user_id": 0,
  "recommendations": [157519, 157944, 159495, 156690, 162857]
}

Interface Streamlit

1. Configurer l'URL de l'API (local ou Azure)
2. Sélectionner un ID utilisateur
3. Obtenir les recommandations
4. Tester les fonctionnalités avancées

Algorithme de Recommandation

Content-Based Filtering

1. Chargement des données : Embeddings pré-calculés et historique utilisateur
2. Calcul du profil utilisateur : Moyenne des embeddings des articles consultés
3. Similarité cosinus : Calcul avec tous les articles du catalogue
4. Filtrage : Exclusion des articles déjà vus
5. Sélection : Top 5 des articles les plus similaires

Optimisations

• Réduction dimensionnelle : PCA 250D → 50D pour optimiser les performances Azure
• Cache en mémoire : Embeddings et données utilisateur chargés une seule fois
• Architecture serverless : Mise à l'échelle automatique selon la demande

Tests et Validation

Tests locaux

# Démarrage Azure Functions local
func start

# Test de l'algorithme
python test_local.py

Métriques de performance

• Temps de réponse : ~200ms par recommandation
• Utilisateurs supportés : 707 dans le dataset actuel
• Articles disponibles : 364,047 avec embeddings

Problèmes Connus et Solutions

Déploiement Azure

• Python sur Windows : Non supporté, utiliser Linux obligatoirement
• Authentification : Configurer http_auth_level=func.AuthLevel.ANONYMOUS
• Erreurs "Service unavailable" : Problèmes temporaires Azure, réessayer plus tard

Limitations actuelles

• Cold start : Première requête lente après période d'inactivité
• Nouveaux utilisateurs : Pas de gestion du problème de démarrage à froid
• Mise à jour des données : Processus manuel

Architecture Cible (Future)

Améliorations prévues

• Gestion cold start : Recommandations populaires pour nouveaux utilisateurs
• Pipeline de données : Mise à jour automatique des embeddings
• Base de données : Stockage persistant des profils utilisateur
• API hybride : Combinaison Content-Based + Collaborative Filtering
• Cache distribué : Précalcul des recommandations populaires

Technologies Utilisées

• Backend : Azure Functions, Python 3.12
• Frontend : Streamlit
• ML/Data : scikit-learn, pandas, numpy
• Infrastructure : Azure CLI, Azure Storage
• Déploiement : Azure Functions Core Tools

Auteur

Projet réalisé dans le cadre d'une formation OpenClassrooms - Ingénieur IA.

Licence

Ce projet est à des fins éducatives uniquement.