业务背景
本作品的创意源于当前食品安全监管效率低下与公众自查需求迫切的双重
挑战。一方面，传统人工筛查食品投诉和新闻的效率不足（单条处理平均耗时 2
小时），难以应对海量数据；另一方面，78%的消费者遭遇食品安全问题却缺乏
识别工具。项目响应国务院《"十四五"市场监管规划》对智能化监测的要求，结
合 BERT 等大语言模型的技术突破（文本分类 F1 超 80%），并受"老坛酸菜"等
社会事件的直接推动，旨在构建覆盖文本、图像、问答的多模态智能识别系统。
挑战。一方面，传统人工筛查食品投诉和新闻的效率不足（单条处理平均耗时 2
小时），难以应对海量数据；另一方面，78%的消费者遭遇食品安全问题却缺乏
识别工具。项目响应国务院《"十四五"市场监管规划》对智能化监测的要求，结
合 BERT 等大语言模型的技术突破（文本分类 F1 超 80%），并受"老坛酸菜"等
社会事件的直接推动，旨在构建覆盖文本、图像、问答的多模态智能识别系统。
功能介绍
本系统采用"多模态感知-特征融合-智能决策"的三阶段技术框架（如图 1 系
统架构所示）。通过自然语言处理与计算机视觉的协同分析，实现食品安全风险
的精准识别。系统创新性地将预训练语言模型与领域知识图谱相结合，在保证泛
化能力的同时提升垂直场景的识别准确率。
统架构所示）。通过自然语言处理与计算机视觉的协同分析，实现食品安全风险
的精准识别。系统创新性地将预训练语言模型与领域知识图谱相结合，在保证泛
化能力的同时提升垂直场景的识别准确率。
项目实现
本系统由我一人完成99.99%的工作量，是在学校参加比赛所做，用时4天。
train_model.py 负责模型的训练，包括数据加载、数据集划分、模型初始化、
训练、验证和保存。app.py 使用 Flask 框架搭建 API 服务，提供文本预测和健康
检查接口。model_utils.py 封装了模型初始化和预测相关函数，方便在其他模块
中调用。streamlit_app.py 利用 Streamlit 库构建用户界面，实现文本分析、食物识
别和 AI 对话功能的展示和交互。
模型原理：MacBERT（中文预训练模型）模型基于 transformers 架构，通过
预训练学习文本的语义表示，在本项目中针对食品安全文本分类任务进行微调，
使其分类更加出色。
train_model.py 负责模型的训练，包括数据加载、数据集划分、模型初始化、
训练、验证和保存。app.py 使用 Flask 框架搭建 API 服务，提供文本预测和健康
检查接口。model_utils.py 封装了模型初始化和预测相关函数，方便在其他模块
中调用。streamlit_app.py 利用 Streamlit 库构建用户界面，实现文本分析、食物识
别和 AI 对话功能的展示和交互。
模型原理：MacBERT（中文预训练模型）模型基于 transformers 架构，通过
预训练学习文本的语义表示，在本项目中针对食品安全文本分类任务进行微调，
使其分类更加出色。
示例图片视频
相似推荐
青春湘行-微信小程序
用户端核心功能：
1. 1.
商品浏览与搜索 - 首页轮播图、多维度分类、智能搜索、高级筛选、商品详情展示
2. 2.
购物车与订单管理 - 购物车管理、完整订单流程、状态跟踪、支付集成、退款申请
3. 3.
用户评价与问答 - 1-5星评分、文字图片评价、商品问答、点赞互动功能
4. 4.
用户中心 - 个人信息、订单历史、评价管理、收藏功能、消息通知
管理端功能：
1. 1.
商品管理 - 商品CRUD、分类管理、库存控制、销量统计
2. 2.
订单管理 - 订单处理、状态管理、退款审核、数据统计
3. 3.
用户管理 - 用户信息、行为分析、增长统计
4. 4.
内容管理 - 轮播图配置、评价审核、问答回复、推荐设置
技术特色：
- 20+个云函数覆盖所有业务场景
- 完整的数据库设计和关系管理
- 智能推荐算法和动态库存管理
- 订单超时自动处理机制
- 完善的安全保障和性能优化
Tob商旅平台
1.机票业主要功能有机票查询，改签机票查询，机票订单查询，机票预定，退票，改签等主要功能。
2.其中机票数据以壹号数据打底，聚合多家运营商数据进行数据聚合，为客户提供更多选择。
3.在此期间，同时对现有系统查询等功能做相关优化，旨在带给用户更好的使用体验。
4.同时对管理后台增加兜底功能，以便用户预定改签等出现问题可及时进行补救。
5.资源对接项目进行优化。
ToB商旅平台
1.主要分为5大模块分别为：机票业务、酒店业务、火车票业务、用车业务、用户模块，在其中主要负责机票业务。
2.机票业主要功能有机票查询，改签机票查询，机票订单查询，机票预定，退票，改签等主要功能。
3.其中机票数据以壹号数据打底，聚合多家运营商数据进行数据聚合，为客户提供更多选择。
票务销售核销系统
此系统为在线售票系统，提供销售客户端和核销端两大部分，集成微信支付功能，后台可集中管理商品，并提供锁座，核销二维码功能，多终端适配：H5/小程序/PC三端覆盖，智能选座：可视化场馆地图+3D视角切换，根据上座率自动调整价格梯度
携程门票交易秒杀场景优化
与传统电商相比，携程门票交易系统具有两大特点：
1) 强一致性：用户预 订后保证出票且尽可能快速确认，确保每一笔交易都能履约。
2) 多维度和跨商品组合限购：限购规则复杂多变，例如多维度和跨商品组合限购，保障每位用户有公平购票的机会，避免囤票行为。
当系统遇到洪峰流量时，容易出现页面打开慢、卡顿等问题，主要原因有以下几点：
1) Redis 超负载与缓存热点。
2) 数据库超负载。
3) 供应商系统不稳定。
系统优化：
一、Redis负载与缓存热点优化
a) 缓存热点应对方案：热点识别自动构建多级缓存将单位时间内高频访问的Key ，识别出来。例如：同一个 Key 1 秒内单机访问 10 次。
b) 缓存大key问题：
1. 精简缓存对象：去除缓存中的冗余字段。
2. 压缩缓存对象：采用压缩比更高的压缩方式，缩小缓存对象。
3. 拆分大 Key ：若精简和压缩后还是过大，根据业务逻辑，将大 Key 拆分成多个小 Key 。
5. 长期治理：建立长期治理机制，定期扫描 Redis 中的大 Key ，每周跟进，将隐患在日常治理中消除。
二、数据库超载优化
a) 缓存覆盖更新策略：替代直接删除缓存 Key 的做法，采用了缓存覆盖更新策略。当商品信息发生变更时，系统不再删除缓存 Key ，而是直接更新该 Key 对应的缓存值。避免了流量穿透到底层数据库。
b) 消息聚合：针对商品变化消息量过大的问题，引入了消息聚合机制。将商品多次变化消息在一段时间窗口内合并成一个，减少消息处理的频率。
c) 异步更新缓存：为了进一步降低 对数据库的实时压力，采用了异步更新缓存的策略。当商品信息发生变更时，系统不会立即更新缓存，而是将更新任务放入一个异步队列中，由后台线程异步处理。
三、供应商系统不稳定
当供应商系统面临大流量冲击时，往往会出现响应缓慢甚至被限流的情况，这直接影响了我们自身系统的稳定性和用户体验。
为了缓解上述问题，我们采取以下技术策略：
1）削峰填谷 缓冲池：利用消息队列作为订单提交的缓冲池，将订单信息先写入队列，再由后台服务异步处理。这样可以将订单提交的高峰流量削平，减少对供应商系统的瞬时压力。
帮助文档
Copyright @ 2021-2024 程序聚合 | 浙ICP备2021014372号
人工客服