业务和功能介绍
1.立项背景
现有微服务架构的购物网站平台，但首页推荐长期依赖简单规则及人工运营，无法基于用户推荐且转化率偏低。因此上层觉得开发市场分析和个性化推荐服务。
2.项目目标：
•在不改动现有 Java 微服务整体架构的前提下，引入机器学习推荐与预测系统。
•用户登录首页提供个性化推荐列表，推荐结果按天离线更新，且可扩展到其他场景。
3.主要痛点：
•传统市场分析预测造成的用户点击率低和下单率差距大。
•线上实时性与线下复杂计算的要平衡，不能造成线上接口延迟。
4.软件核心功能介绍
这是一个离线训练的推荐系统，根据用户历史行为与特征，生成 Top K 个个性化推荐商品，并通过接口返回给前端展示。功能模块：
•数据与特征服务模块： 汇总 MySQL的订单表等及埋点统计点击数据；使用 Spark SQL 生成多维度特征表。
•序列建模与RNN召回: 把用户购买行为明细加工为时间序列；通过 PyTorch 实现 RNN模型，预测未来用户感兴趣的商品，生成结果表。
•精排打分LR模块LR：基于 Spark MLlib 的 Logistic Regression 模型，对候选集合进行购买概率预测排序。
•推荐结果融合与存储模块：对模型输出进行规格化，将最终推荐结果写入 MongoDB。
•发布推荐查询服务模块：辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。
•调度与运维模块：通过 Docker + cron（或调度平台）定时调度 Spark 作业与 Python 推理脚本。
5. 业务流程、功能路径描述：
1)离线计算流程
•定时任务启动服务从 MySQL同步前一日数据到大数据平台, 生成/更新特征表。
•模型学习用户下单行为序列样本，利用训练好的模型对全量用户进行批量推理。
•将推理结果写入 MongoDB。
2)线上推荐查询流程
•用户登录电视台 App/网站首页。
•首页服务调用内部推荐服务接口,将查询结果返回前端。未命中返回默认热门商品。
现有微服务架构的购物网站平台，但首页推荐长期依赖简单规则及人工运营，无法基于用户推荐且转化率偏低。因此上层觉得开发市场分析和个性化推荐服务。
2.项目目标：
•在不改动现有 Java 微服务整体架构的前提下，引入机器学习推荐与预测系统。
•用户登录首页提供个性化推荐列表，推荐结果按天离线更新，且可扩展到其他场景。
3.主要痛点：
•传统市场分析预测造成的用户点击率低和下单率差距大。
•线上实时性与线下复杂计算的要平衡，不能造成线上接口延迟。
4.软件核心功能介绍
这是一个离线训练的推荐系统，根据用户历史行为与特征，生成 Top K 个个性化推荐商品，并通过接口返回给前端展示。功能模块：
•数据与特征服务模块： 汇总 MySQL的订单表等及埋点统计点击数据；使用 Spark SQL 生成多维度特征表。
•序列建模与RNN召回: 把用户购买行为明细加工为时间序列；通过 PyTorch 实现 RNN模型，预测未来用户感兴趣的商品，生成结果表。
•精排打分LR模块LR：基于 Spark MLlib 的 Logistic Regression 模型，对候选集合进行购买概率预测排序。
•推荐结果融合与存储模块：对模型输出进行规格化，将最终推荐结果写入 MongoDB。
•发布推荐查询服务模块：辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。
•调度与运维模块：通过 Docker + cron（或调度平台）定时调度 Spark 作业与 Python 推理脚本。
5. 业务流程、功能路径描述：
1)离线计算流程
•定时任务启动服务从 MySQL同步前一日数据到大数据平台, 生成/更新特征表。
•模型学习用户下单行为序列样本，利用训练好的模型对全量用户进行批量推理。
•将推理结果写入 MongoDB。
2)线上推荐查询流程
•用户登录电视台 App/网站首页。
•首页服务调用内部推荐服务接口,将查询结果返回前端。未命中返回默认热门商品。
项目实现
1.整体架构
•使用python+flask搭建服务,采用两阶段推荐方案，实现粗颗粒筛选候选集进而精细排序打分。
•将推荐算法与前端查询解耦，规避接口的延迟可能。
2.核心技术栈
•数据层: MySQL存储商品、订单与行为明细等信息。
•数据预处理层: Spark SQL：特征抽取与数据清洗。
•模型层：PyTorch实现 RNN序列模型; Spark MLlib实现 Logistic Regression 精排预测模型。
•结果存储层: MongoDB以文档形式存储用户级推荐结果。
3.我负责的模块
作为团队组长负责整体框架搭建包括：
•设计并实现了产品/用户特征计算管道（Python/Spark），将分散的基于 RMI 的统计数据重构为机器学习驱动的推荐微服务。
•使用 Spark SQL 聚合用户行为和交易数据，并为预测模型构建基于 Hive 的特征表和用户行为序列模型。
•设计了两阶段机器学习管道——PyTorch RNN 序列 + Spark MLlib LR——用于预测用户的复购行为，并将每个用户的候选集和评分持久化到 MongoDB 中。
•将推荐查询逻辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。
•设计了一条只读分析路径，其中 API 从候选存储读取数据，而 Kafka 将行为事件发布到特征存储，从而实现读写分离，避免影响核心事务处理路径。
•与运维团队合作，使用 Docker 将模型容器化，并将批量训练集成到基于 cron 的调度中，从而实现模型每日自动刷新。
4.影响：
•在促销场景下，推荐点击率 (CTR) 提升约 6-10%，订单转化率大幅度提升。
•与传统预测相比，显著降低了滞销库存率。
•使用python+flask搭建服务,采用两阶段推荐方案，实现粗颗粒筛选候选集进而精细排序打分。
•将推荐算法与前端查询解耦，规避接口的延迟可能。
2.核心技术栈
•数据层: MySQL存储商品、订单与行为明细等信息。
•数据预处理层: Spark SQL：特征抽取与数据清洗。
•模型层：PyTorch实现 RNN序列模型; Spark MLlib实现 Logistic Regression 精排预测模型。
•结果存储层: MongoDB以文档形式存储用户级推荐结果。
3.我负责的模块
作为团队组长负责整体框架搭建包括：
•设计并实现了产品/用户特征计算管道（Python/Spark），将分散的基于 RMI 的统计数据重构为机器学习驱动的推荐微服务。
•使用 Spark SQL 聚合用户行为和交易数据，并为预测模型构建基于 Hive 的特征表和用户行为序列模型。
•设计了两阶段机器学习管道——PyTorch RNN 序列 + Spark MLlib LR——用于预测用户的复购行为，并将每个用户的候选集和评分持久化到 MongoDB 中。
•将推荐查询逻辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。
•设计了一条只读分析路径，其中 API 从候选存储读取数据，而 Kafka 将行为事件发布到特征存储，从而实现读写分离，避免影响核心事务处理路径。
•与运维团队合作，使用 Docker 将模型容器化，并将批量训练集成到基于 cron 的调度中，从而实现模型每日自动刷新。
4.影响：
•在促销场景下，推荐点击率 (CTR) 提升约 6-10%，订单转化率大幅度提升。
•与传统预测相比，显著降低了滞销库存率。
示例图片视频
相似推荐
企业舆情saas
1.立项背景和目标：
当前网络信息传播极速扩散，传统人工舆情监测存在覆盖不全、响应滞后、分析低效等问题，企业机构机构亟需轻量化、可弹性扩容的舆情管理工具，打造全国企业舆情 SaaS 系统。
2.软件功能，核心功能模块的介绍
a).账号权限认证系统（经root账号/自动 进行权限分配 包含页面、按钮、功能）
b).数据获取（入池前，经python、java等其他语言进行各平台基础数据获取）
c).数据清洗（入池前，对个平台重复数据进行清洗，此轮进行舆情标注三类：正面、中性、负面 四级： 一般 关注 重点 紧急，舆情类别判断 民生、政治、企业、谣言等）
d).数据入池（入池，将通过初次数据清洗数据进行入池）
e).根据账号权限、要求获取数据（二次清洗）
3.主要流程：
企业： 账号购买功能鉴权(线下购买，线上开启权限) -> 设定舆情点 -> 使用
我司： 线下磋商 -> 成功后提供注册地址 -> 注册后开启部分权限（自动、手动两种方案）
网站： 数据采集 -> 数据首次清洗 -> 入池 -> 数据二次清洗 -> 查询报送（舆情报告）
售后服务管理系统
本套售后管理系统，是深度贴合制造业一线业务场景的轻量化协同工具。它无需推翻企业现有管理体系，不依赖高额定制开发，无缝衔接金蝶ERP，精准填补现场业务与后端管理系统的衔接空白，用最小成本实现售后管理数字化升级。
系统适用对象覆盖全生态售后相关角色，包括企业售后部全体人员、销售人员、授权经销商及合作电工，不同角色配备专属操作入口与功能权限，操作简单易上手，无需复杂培训即可快速落地使用。
在登录方式上，系统采用双端适配模式：内部售后、销售人员通过企业微信工作台登录，实现PC+移动端协同办公；外部经销商、合作电工通过微信小程序登录，扫码即用、无需安装额外软件，真正做到随时随地办业务，一键操作提效率。
太阳辐射测量及传感器校准一体化系统
本项目为太阳辐射测量及传感器校准一体化系统，面向太阳辐射计量、传感器检定/校准、自动化采集与任务管理等场景，目标是将原本分散的设备控制、数据采集、校准流程、结果管理与可视化分析整合到同一个软件平台中，构建一套标准化、自动化、可追溯、可扩展的业务闭环。
项目的核心价值在于：它不是单纯的数据采集软件，而是把校准方法管理、设备联动控制、任务预约执行、实时数据展示、结果留存追踪全部统一起来，显著降低了人工操作复杂度，提升了太阳辐射测量业务的规范性与执行效率。
简竹私域直播
1.立项背景和目标
私域直播趋势 ：随着公域流量成本上升，企业转向私域流量运营
大健康行业需求 ：大健康产品（保健品、健康服务等）需要专业直播场景进行产品展示和销售
SAAS化需求 ：传统直播系统功能单一、定制成本高，需要标准化、可配置的SAAS平台
为大健康行业提供 私域直播电商一体化解决方案，支持多经销商、多门店的 分布式管理，实现 直播前-中-后 全流程业务闭环
2.软件功能与核心模块
core-vue (核心业务)：订单管理、商品管理、门店管理、员工管理、诊断服务
customer-vue (客户管理)：会员管理、客户列表、标签分组、会员卡、充值、跟进记录
design-vue (直播设计)：素材中心、节目单管理、频道管理、直播间装修、页面临定制
market-vue (营销活动)；营销游戏（抽奖、秒杀等）、素材管理、积分商城、会员权益
order-vue (订单中心)：商城订单、线下订单、售后管理、订单核单、发货管理
report-vue (数据报表)；销售统计、流量统计、会员分析、场次统计、财务报表
store-vue (门店管理)；门店配置、员工管理、商品管理、技师管理
3.业务流程与功能路径
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 直播准备 │ ──▶ │ 直播中 │ ──▶ │ 直播后 │
└─────────────┘ └─────────────┘ └─────────────┘
│ │ │
▼ ▼ ▼
┌─────────┐ ┌─────────┐ ┌─────────┐
│素材管理 │ │商品展示 │ │订单统计 │
│节目单 │ │下单购买 │ │客户跟进 │
│频道配置│ │红包互动 │ │复购营销 │
│直播间 │ │实时互动 │ │数据报表 │
└─────────┘ └─────────┘ └─────────┘
批量数据处理与自动化运维脚本开发
本项目为批量数据处理与自动化运维脚本工具，旨在解决企业日常工作中大量重复的数据处理、运维操作问题，通过 Python 自动化脚本，实现数据采集、批量导出、定时任务、日志监控等功能。工具核心功能包括：1. 多源数据采集，支持 Excel/CSV/ 数据库等多格式数据自动提取；2. 批量数据处理，支持数据清洗、格式转换、报表生成；3. 自动化运维，支持定时任务、服务器监控、日志分析；4. 可视化配置，用户可通过简单配置实现自定义自动化流程，无需代码。工具可广泛应用于财务、行政、运维等多个岗位，大幅提升工作效率，减少人工错误。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服