业务和功能介绍
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。
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。
项目实现
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。
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/
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。
示例图片视频
相似推荐
信联远程会诊系统
面向医疗机构，提供医生线上实时会诊、病例研讨等线上协作能力。支持多路摄像头、采集卡媒体流接入，可完成音视频硬件检测切换；具备屏幕共享、画笔激光笔多端同步绘制、录屏截图本地存储；支持参会人邀请、视频窗口管理、会议销毁整套业务流程，依靠长连接保障多终端指令同步，支撑多医生线上诊疗业务开展。
慢病管理系统
慢病管理系统，为应对国家慢性病管理需求进行开发。符合慢病管理中心标准，主要模块有患者档案，即时通讯，随访，宣教，病种管理，风险人群识别，健康任务，健康方案，患者的诊疗记录，诊断记录，检验记录，检查记录等诊疗数据，OCR识别，语音识别。
测序系统上传软件
本上传软件针对基因测序仪设备的数据上送场景开发。测序仪上位机每 10 分钟自动生成 14 份采集原始文件，包含测序过程电流信号、碱基采集等原始实验数据，是后端数据分析、算法调试、问题溯源的基础数据源。设备产生的原始文件需要及时、可靠传输至后端服务器，传统手动拷贝、简单脚本上传存在传输中断、文件丢失、重复上传、异常无重试等问题，无法满足测序业务 7×24 小时连续运行的数据可靠性要求。本软件通过 MQTT 协议和测序上位机交互接收事件通知，基于 FTP 协议封装实现并行上传能力，依托万兆网卡硬件带宽，完成测序仪本地文件向服务端的自动化传输，保障原始采集数据完整、有序送达服务器，支撑后续测序数据分析、算法优化与故障定位业务。
软件核心功能围绕稳定可靠的数据传输进行设计。软件作为 MQTT 客户端与测序仪上位机建立长连接，监听设备下发的文件就绪事件；当测序仪每 10 分钟生成 14 个数据文件完成后，设备通过 MQTT 推送通知消息，上报待上传的文件列表，软件接收消息后解析文件信息，生成上传任务进入任务排队队列，管控上传并发，避免瞬时任务过多造成网络与 IO 过载。依托万兆网卡实现高速并行 FTP 上传，充分利用带宽资源，缩短批量文件整体传输耗时，适配测序设备高频批量产出文件的业务特点。
具备断点续传能力，遇到网络抖动、服务器短暂离线等场景中断传输后，无需重传完整文件，从已传输偏移位置继续续传，节约带宽，提升大文件传输效率。内置失败重传机制，传输异常自动重试，记录任务状态，多次重试失败后标记异常任务，留存日志便于运维排查。
软件完整记录上传任务日志，包含文件名、大小、传输进度、耗时、成功失败状态，可追溯每一批次 14 个文件的传输全流程，核对文件是否完整送达服务器。任务队列支持任务管理，可查看排队、上传中、完成、失败全部任务，规避重复上传、漏传问题。上传完成后执行文件校验，比对源文件与服务端文件，防止传输过程文件损坏。
该软件解决测序设备触发式批量文件可靠上送难题，保障测序原始采集数据稳定回传，为后端测序数据分析、碱基标注、算法 Debug 提供完整可靠的原始数据源，实现整套测序业务链路的数据闭环。
锦波验真小程序-锦波验真
1. 基于Spring-Cloud微服务框架，改造多租户体系;基于Gateway网关完成统一鉴权，Nacos实现服务注册与配置管理;
2. 核心验真业务开发：实现防伪码批量生成、批量导入、产品与防伪码绑定，开发消费者扫码验真核心接口;控制防伪码校验规则，限制重复扫码，记录每次扫码行为，实现真伪判定逻辑;
3. 开发产品批次管理、溯源信息录入维护模块，集成框架工作流，实现产品、防伪物料入库的审批流程;
4. 针对扫码查询高并发场景，使用Redis缓存验真基础数据提升响应速度，通过RocketMQ异步落库扫码访问日志，降低数据库压力;
5. 开发运营后台统计报表：扫码总量、真伪查询统计、异常扫码记录、产品溯源数据统计，辅助运营分析窜货、假货风险;
美特优智能健康-美特优
硬件采集原始数据（蓝牙从戒指传到手机APP）
• 运动：步数、距离、卡路里消耗
• 睡眠：睡眠分期、REM快速眼动、睡眠评分
• 夜间监护：呼吸暂停监测、心率/血氧异常告警
• 24小时体征：心率、血氧、压力值、皮肤温度、体温
• 血压静态检测
APP端业务功能
1. 数据可视化：图表展示历史趋势，AI给出健康建议
2. 会员增值模块
◦ AI自动生成健康报告，对接医疗资源
◦ 7×24小时健康顾问（有医疗背景客服）
◦ 专家有限次数线上指导
◦ 亲友关怀：健康报告同步、异常报警推送亲属
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服