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
json解析转换器
1、背景和目标：一、超级快速、安全对json的解析与对象转换；二、支持分布式超高并发
2、json解析转换器，支持分布式高并发，支持百万级别访问。用于快速进行json的解析与对象转换。原有的开源工具，要么安全性不够，要么性能不够强悍，要么不支持定制，很难满足企业日益严苛的业务需求。开发的这个json解析转换器，可以同时满足以上三种需求。
智能仓储 · 立库调度监控系统（RMS 调度中间件 + 监控管理后台）-RmsCC
【1】立项背景与目标
自动化立体库是新能源锂电、汽车零部件等行业的主流仓储形态，库内由四向车、提升机、输送线、接驳口协同完成托盘出入库。上游 WMS/WES 只下发"某个托盘要入库或出库"，而"分配到哪个货位、走哪条路、派哪台车、每一段由谁执行"全部由中间的调度系统（RMS）计算并驱动——本项目就是一个立库调度中间件 + 配套的调度监控管理后台。目标：把"任务下发→货位分配→路径规划→派车→分段执行→库存过账"做成可跑通、可观测、可人工干预的闭环，并解决现场最头疼的三个问题：调度计划与现场执行脱节、设备与货位状态不可见、故障（走不通、卡住）无日志可查。
【2】核心功能模块
①基础数据：仓库/货区/货位（层-x-y 坐标、深浅位）/设备/物料建模。
②权限体系：JWT + RBAC 用户-角色-菜单三级权限，菜单级与接口级双重校验。
③上游任务管理（内置 WES 模拟器）：批量下发出入库任务，一键生成托盘号。
④任务调度与分段：任务状态机（待下发/执行中/已完成/异常/取消），入库按固定拓扑自动拆 3 段（库外输送线→提升机→目标层接驳口→货位），出库镜像反向。
⑤路径规划：库内 A* 网格寻路（巷道四向可走、货架区仅纵向、有货货位视为障碍），按"空闲且电量>40% + 曼哈顿距离最近"自动派车，支持小车避让、等待点与自动移库（倒库）。
⑥设备仿真引擎：无真实 PLC，用定时任务按可配置节拍推进每段任务并驱动设备沿路径移动。
⑦实时监控：WebSocket 每秒推送设备位置、状态与任务进度，地图大屏显示库位占用与小车轨迹，另配小车/设备监控页。
⑧库存与数据中心：托盘维度库存、分层占用统计、库存流水（任务完成自动过账）。
⑨接口日志中心：按上游/RCS/WCS 三个通道记录每次调用的请求与返回报文、方向、结果、耗时，支持按托盘号/任务号全链路检索与改报文重发。
⑩AI 作业助手：接入大模型，自然语言下发任务、异常诊断与智能问答，SSE 流式输出，模型不可用自动降级为本地规则。
⑪单车手动控制：顶升/放下/移动/充电/恢复/释放任务等指令，应急时人工接管。
【3】业务流程与功能路径
上游下发（托盘号 + 出入库类型）→ RMS 自动分配货位（浅位优先、低层优先）→ 生成分段计划 → A* 计算路径并派最近的空闲车 → 仿真引擎按节拍推进各段 → 全段完成后自动过账（货位占用/释放、绑定或解绑托盘、写库存流水与系统日志）→ 任务归档。
功能路径：登录 → 首页看板（货位占用 + 任务趋势）→ 上游任务管理下发任务 → 资源监控中心地图大屏观察执行 → 立库任务中心（任务视图/任务管理）→ 数据中心查库存与流水 → 报表数据中心查接口日志 → AI 助手用自然语言下单。
多端AI问答系统（SSE流式输出）
立项背景：随着大语言模型的普及，传统企业与用户对智能对话的需求激增。旨在构建一个前后端完全解耦的 AI 问答系统，支持多端接入，提供流畅的流式对话体验。
核心功能：支持 SSE 全链路流式对话（包含start/content/reasoning/done/error五类事件）；多会话管理（新建、切换、重命名、置顶、逻辑删除）；Markdown 渲染、思考过程折叠展示、多模型切换、Token 用量统计与 API 调用日志，以及四维 IP 限流。
业务流程：前端发起对话请求 → 后端校验限流 → 组装历史消息并调用大模型 API → SSE 逐字返回前端实时渲染 → 消息落库并记录 Token 与耗时。
CRM客户管理后台
立项背景：针对中小型企业客户信息分散、销售跟进过程不透明、合同管理混乱等痛点，旨在打造一个轻量级的客户全生命周期管理后台，提升销售团队协作与转化效率。
核心功能：涵盖管理员登录鉴权、客户主表管理、联系人维护、跟进记录追踪、合同管理等六大模块。支持客户信息分页查询、关键字搜索、新增编辑与逻辑删除；客户详情页以名片形式集中展示联系人、跟进记录及关联合同。
业务流程：从潜在客户录入，到日常跟进记录，再到最终合同签订与操作日志审计，覆盖完整的销售业务闭环。
ERP管理系统
本项目面向中小企业的采购、销售、仓储、生产及财务协同场景，目标是将分散的业务记录、审批流程和经营数据整合到统一平台，支持业务过程追踪与数据查询。
系统包含客户与供应商、销售、采购、仓储、生产制造、财务、人力资源、项目合同、资产、质量售后、零售门店、数据报表和系统管理，共13个模块、102个配置驱动页面。核心功能包括客户线索与商机管理、采购与销售订单、库存预留及批次追溯、多级物料清单、生产领料与报工、发票与收付款、会计凭证、薪酬、资产折旧和项目成本分析。
业务流程围绕单据流转展开。例如，销售业务支持“线索→商机→报价→销售订单→发货→发票→收款”；采购业务支持采购申请、采购订单、到货验收、入库及付款。单据通过草稿、提交审批、审批通过和过账等状态进行控制，过账时联动库存台账、资金余额及会计分录，并保留操作历史。
系统提供桌面Web端和移动端入口，共用业务接口与权限规则。管理员可配置用户、角色、菜单、字典和审批权限，员工可按权限处理单据、查看通知和查询报表。经营数据支持按日期汇总及来源下钻，方便追踪库存、应收应付和项目收支。
项目预览
https://tomatoxs.cn:18443
https://tomatoxs.cn:18444
账号：demo
密码：demo123
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服