平台图书管理推荐系统

本项目旨在构建一个智能化的图书阅读平台，通过结合传统的协同过滤算法与前沿的大语言模型技术，解决用户在海量书籍中难以发现感兴趣内容的痛点。
核心业务：为读者提供个性化的书籍发现服务，同时为图书管理者提供可视化的数据管理后台。
智能推荐：不仅基于用户的浏览历史和评分进行基础推荐，更创新性地引入大模型，对书籍内容进行深度语义分析，理解用户的潜在阅读偏好。
多端支持：前端提供响应式网站与安卓APP，后端提供统一的RESTful API接口，支持跨平台数据同步。

项目采用前后端分离的微服务架构，旨在构建一个高可用、易扩展的智能图书推荐平台。设计核心在于将传统业务逻辑与计算密集型的AI推荐逻辑解耦，以保证系统的稳定性和响应速度。
技术栈
后端核心业务：使用 Python 语言，基于 Django 框架构建。利用其自带的 ORM 和 Admin 后台，快速搭建用户管理、书籍 CRUD 及权限控制等基础功能。
AI 推荐服务：使用 Flask 轻量级框架构建独立的推荐微服务。该服务专门负责处理复杂的推荐算法逻辑，通过 RESTful API 与主业务系统交互。
前端/移动端：Web 端采用 Vue.js 实现响应式页面，安卓 APP 原生开发，两者均通过 Axios/Retrofit 调用后端接口。
数据存储：使用 MySQL 存储结构化业务数据，Redis 用于缓存热门推荐结果和 Session 会话。
“我”的负责模块和结果
我主要负责后端推荐微服务的设计与实现，具体工作如下：
混合推荐算法开发：设计并实现了“协同过滤 + 内容语义分析”的混合推荐策略。
量化结果：通过引入大模型对书籍简介和用户评论进行向量化分析，解决了冷启动问题，使得新用户的推荐点击率（CTR）提升了 25%。
API 接口开发：基于 Flask 编写了 /recommend/user/ 等核心接口。
量化结果：接口平均响应时间控制在 200ms 以内，支持并发请求数达到 500 QPS。
数据处理管道：编写了定时脚本，每日凌晨从主数据库同步用户行为数据至推荐引擎。
“我”遇到的难点、坑，和解决方案
难点 1：大模型推理延迟高
问题描述：直接调用大模型 API 进行实时推荐时，响应时间长达 3-5 秒，严重影响用户体验。
解决方案：引入 Redis 缓存机制 和 异步任务队列（Celery）。对于热门书籍和活跃用户，预先计算推荐结果并缓存；对于实时请求，采用“缓存优先 + 异步更新”策略，将页面首屏加载时间降低至 0.5秒 以内。
难点 2：数据稀疏性（冷启动）
问题描述：新用户或新书籍缺乏行为数据，导致协同过滤算法失效。
解决方案：利用大语言模型的 语义理解能力，提取书籍的文本特征（如题材、文风、情感色彩）构建内容画像，即使没有交互数据，也能根据书籍内容的相似度进行精准推荐。