🎯 背景與目標說明

到目前為止：

• Day 5：建立了 User-based CF baseline，並計算 Precision@10 / Recall@10。
• Day 6：建立了 Item-based (TF-IDF) baseline，結果更差，但讓我們體會到不同方法的差異。

今天我們要解決另一個問題：
👉 模型的推薦結果不只要「當下計算」，還要能 存檔、追蹤、比對。

在 MLflow 中，除了 params/metrics 外，還能存放 artifacts：

• 推薦清單（例如每位使用者的 Top-N 結果）
• 測試樣例的推薦結果
• 甚至是完整的推論格式（方便後續 API 或 UI 使用）

這樣，我們就能在 MLflow UI 裡直觀比對模型輸出的差異。

⚙️ 詳細步驟與程式碼範例

放在 notebooks/day7_log_artifacts.ipynb。

1. 載入必要資料與模型

import os
import pandas as pd
import numpy as np
import mlflow

DATA_DIR = "/usr/mlflow/data"

anime = pd.read_csv(os.path.join(DATA_DIR, "anime_clean.csv"))
ratings_test = pd.read_csv(os.path.join(DATA_DIR, "ratings_test.csv"))

我們假設 Day 6 的 Item-based 模型函數 還能使用：

# 直接沿用 Day 6 的 recommend_item_based()
def recommend_item_based(user_id, top_n=10):
    # ... Day 6 的程式碼 ...
    pass

2. 建立推薦結果範例

我們先從測試集隨機挑幾個使用者，存下推薦清單。

sample_users = ratings_test["user_id"].drop_duplicates().sample(5, random_state=42)

results = {}
for u in sample_users:
    liked = ratings_test[(ratings_test["user_id"] == u) & (ratings_test["rating"] > 7)]
    liked_anime = anime[anime["anime_id"].isin(liked["anime_id"])]["name"].tolist()
    
    recs = recommend_item_based(u, top_n=10)["name"].tolist()
    
    results[u] = {
        "liked_in_test": liked_anime,
        "recommended": recs
    }

df_results = pd.DataFrame(results).T
print(df_results.head())

範例輸出（概念）：

3. 將推薦結果存成 CSV

artifact_path = os.path.join(DATA_DIR, "day7_recommendations.csv")
df_results.to_csv(artifact_path, index=True)

4. 使用 MLflow 紀錄 artifact

mlflow.set_experiment("anime-recommender-artifacts")

with mlflow.start_run(run_name="item_based_artifact_demo"):
    mlflow.log_param("model_type", "item_based_tfidf")
    mlflow.log_param("top_n", 10)
    
    # 假設 Precision/Recall 是 Day 6 計算出來的
    mlflow.log_metric("precision_at_10", 0.0013)
    mlflow.log_metric("recall_at_10", 0.0015)
    
    # 存推薦結果 CSV
    mlflow.log_artifact(artifact_path, artifact_path="recommendations")

完成後，在 MLflow UI 裡可以打開 run，下載並檢視 day7_recommendations.csv，直接看到每個測試使用者的推薦清單。

📊 流程概覽（純文字）

ratings_test.csv + recommend_item_based()
        │
        ▼
生成範例推薦清單 (liked vs recommended)
        │
        ▼
存成 CSV
        │
        ▼
log_artifact → MLflow

✅ 重點總結

• 我們示範了如何將「推薦清單」存成 MLflow artifact。
• Artifact 可以是任何檔案：CSV、JSON、圖片，甚至是模型推論範例。
• 在 MLflow UI 中，除了看 Precision / Recall 數值，還能直接打開推薦結果，讓分析更直觀。

🔮 延伸思考（預告）

在 Day 8，我們將比較 User-based CF 與 Item-based TF-IDF，把 Precision/Recall 指標和推薦結果做對照，並記錄到 MLflow，真正體驗到「實驗追蹤」的力量。