3 мин на чтение

KINO PARTY: как подобрать фильм компании без нейросетевого сервера

Каталог на Node.js и SQLite сочетает рекомендации по признакам фильмов, общий выбор в комнате и контролируемый размер поискового индекса.

Выбрать фильм для нескольких человек сложнее, чем продолжить личный список просмотров. Нужно найти пересечение разных предпочтений, а затем быстро договориться. KINO PARTY строит продукт вокруг этой задачи: предлагает подбор по настроению, поиск для компании и совместное перелистывание карточек.

Интересна и архитектура сервиса. Разработчик mpvitalik использует Node.js 24, SQLite и обычный JavaScript в браузере. Рекомендации основаны на признаках фильмов и сравнении векторов. Отдельная инфраструктура для обучения и обслуживания нейросетевой модели здесь не требуется.

Главная KINO PARTY объединяет поиск по каталогу, навигацию по подборкам и анонс фильма с обратным отсчётом.

Фильм как набор признаков

Вектор в такой системе — способ представить описание картины числами. Жанр, ключевые слова, эпоха и другие характеристики получают собственные координаты и веса. Большинство возможных признаков у конкретного фильма отсутствует, поэтому представление получается разрежённым: хранить длинный массив нулей незачем.

Косинусное сходство сравнивает направление таких векторов. Это позволяет оценивать близость наборов характеристик, не принимая количество заполненных полей за качество рекомендации. Совпадение жанра и смысловых признаков превращается в вычислимый результат, который легче разбирать и корректировать.

Такой подход также помогает объяснять выдачу. Совпавшие признаки уже известны алгоритму: их можно использовать при описании рекомендации. Однако сходство характеристик не гарантирует, что зрителю понравится фильм. Процент совпадения остаётся показателем модели, а не объективной оценкой удовольствия от просмотра.

Большой каталог и небольшой рабочий индекс

Автор описывает базу примерно из 895 тысяч тайтлов. При этом в оперативной памяти хранится рекомендательный индекс для 15 тысяч ключевых картин. Для фильма вне этого набора вектор собирается при обращении. Каталог и рабочая структура рекомендаций таким образом имеют разные размеры.

Это важное архитектурное разделение. Не каждый объект, доступный в базе, обязан постоянно занимать память процесса. Инвертированный индекс позволяет сначала найти кандидатов по общим признакам, а уже затем вычислять сходство. Полный перебор всего каталога для каждого запроса становится ненужным.

SQLite в этой схеме отвечает за постоянные данные. Встроенный модуль Node.js даёт доступ к базе без отдельного серверного процесса, а расширение FTS5 обеспечивает полнотекстовый поиск. Поиск слов и рекомендации решают разные задачи: первый находит текстовые соответствия запросу, вторые сравнивают представления объектов.

При использовании синхронного интерфейса базы особенно важно ограничивать объём работы одного запроса. Сам по себе компактный стек не отменяет стоимости вычислений. Размер выборок, состояние индекса и время построения ответа остаются предметом измерения, даже если инфраструктура помещается в одном приложении.

Совместный выбор без сложного канала связи

В кино-свайпере участники входят в комнату и оценивают одну колоду карточек. Действия отправляются обычными HTTP-запросами, а сообщения о состоянии приходят через Server-Sent Events. Для уведомлений от сервера к браузеру этого достаточно: постоянно держать двусторонний WebSocket требуется не каждому интерфейсу.

У такого разделения понятные роли. Запрос фиксирует намерение пользователя, поток событий сообщает всем участникам, что изменилось. Сама комната ограничена по времени и живёт в памяти. Это упрощает реализацию, но также делает жизненный цикл комнаты частью поведения продукта: временную сессию не стоит обещать как долговременное хранилище.

Качество данных важнее размера базы

Большой каталог полезен лишь тогда, когда у записей достаточно достоверных характеристик. Пустые описания, перепутанные идентификаторы или формально заполненный перевод влияют и на поиск, и на рекомендации. Проверка данных поэтому входит в работу над алгоритмом, а не заканчивается на этапе импорта.

KINO PARTY показывает практичный вариант развития рекомендательного продукта: начать с понятных признаков, контролировать размер индекса и связывать технические решения с конкретным сценарием совместного выбора. Расширять модель имеет смысл там, где уже видны ограничения качества, а не только ради более сложного технологического стека.

АвторAnthony Fubon

Anthony Fubon — российский музыкант, DJ, музыкальный продюсер, организатор мероприятий и специалист по цифровым продуктам. В музыке он использовал несколько имён, в частности Fubon, TheFubon и yagelProject. Его собственная биография описывает путь от рок-музыки и российской psytrance-сцены к электронной музыке разных направлений и созданию собственной цифровой экосистемы.