Beta阶段冲刺博客4

Beta阶段冲刺博客4

Part 1: SCRUM部分

1.1 成员工作进展

1.2 代码签入记录

GitHub链接

功能模块：个性化推荐算法

• 提交说明：实现混合推荐算法，结合内容推荐、协同过滤、时间衰减和社交关系等多因子计算推荐分数。

核心推荐因子

1. 类型匹配（30分）

原理：分析用户历史申请的帖子类型，找出最偏好的类型。

实现逻辑：

• 统计用户所有申请记录中帖子类型的出现次数
• 选择出现次数最多的类型作为偏好类型
• 如果推荐帖子类型与偏好类型匹配，加30分

代码位置：

# routes/recommendation.py:25-27ifuser_preferences.get('preferred_type')==post.post_type:score+=30reasons.append("符合您偏好的帖子类型")

2. 学院匹配（20分）

原理：同学院用户发布的帖子更容易引起用户兴趣。

实现逻辑：

• 获取当前用户的学院信息
• 如果推荐帖子的作者与用户同学院，加20分

代码位置：

# routes/recommendation.py:29-34user=db.session.get(User,user_id)ifuseranduser.collegeandpost.author.college:ifuser.college==post.author.college:score+=20reasons.append("同学院用户发布")

3. 价格匹配（15分）

原理：根据用户历史交易价格，计算用户偏好的价格区间。

实现逻辑：

• 收集用户所有申请和完成的订单中的价格
• 计算平均价格：avg_price = sum(prices) / len(prices)
• 价格区间：[avg_price * 0.5, avg_price * 1.5]（平均值 ± 50%）
• 如果推荐帖子价格在区间内，加15分

代码位置：

# routes/recommendation.py:36-40preferred_price_range=user_preferences.get('preferred_price_range',[0,100])ifpreferred_price_range[0]<=post.price<=preferred_price_range[1]:score+=15reasons.append("符合您的价格偏好")

4. 时间衰减（10分）

原理：新发布的帖子更容易引起用户关注。

实现逻辑：

• 计算帖子发布天数：days_old = (now - post.created_at).days
• 3天内：加10分
• 3-7天：加5分
• 7天以上：不加分

代码位置：

# routes/recommendation.py:42-49days_old=(datetime.now()-post.created_at).daysifdays_old<=3:score+=10reasons.append("最新发布")elifdays_old<=7:score+=5

5. 协同过滤（25分）

原理：找到与用户相似的其他用户，推荐他们也感兴趣的帖子。

实现逻辑：

• 相似用户定义：同学院 + 有申请行为
• 统计相似用户申请的帖子ID及次数
• 每个相似用户行为加5分，最高25分

代码位置：

# routes/recommendation.py:50-62collab_data=user_preferences.get('collaborative_score',{})ifisinstance(collab_data,dict):collaborative_score=collab_data.get(post.id,0)else:collaborative_score=collab_dataifisinstance(collab_data,int)else0ifcollaborative_score>0:score+=min(collaborative_score*5,25)# 每个相似用户行为加5分，最高25分reasons.append("相似用户也在关注")

算法流程

整体流程图

用户请求推荐 ↓ 1. 分析用户偏好 ├─ 分析申请记录 → 偏好类型 ├─ 分析订单记录 → 价格区间 └─ 找到相似用户 → 协同过滤分数 ↓ 2. 获取候选帖子 ├─ 排除已申请的帖子 ├─ 排除已完成的订单 └─ 排除自己发布的帖子 ↓ 3. 计算推荐分数 ├─ 类型匹配（30分） ├─ 学院匹配（20分） ├─ 价格匹配（15分） ├─ 时间衰减（10分） └─ 协同过滤（25分） ↓ 4. 排序和筛选 ├─ 按分数降序排序 ├─ 只返回分数 > 0 的帖子 └─ 取前 N 个（默认10个，最多50个） ↓ 5. 补充热门帖子（如果推荐不足） └─ 按最近7天申请数排序 ↓ 返回推荐列表

功能模块：推荐 API 接口

• 提交说明：提供获取推荐帖子列表和记录浏览历史的 API 接口。

# routes/recommendation.py@recommendation_bp.route('/posts',methods=['GET'])defget_recommendations():"""获取个性化推荐帖子列表"""current_user_id=session.get('user_id')ifnotcurrent_user_id:returnerror(message="请先登录")limit=min(request.args.get('limit',10,type=int),50)# 分析用户偏好user_preferences=analyze_user_preferences(current_user_id)# 获取候选帖子（排除已申请/已完成/自己发布的）excluded_post_ids=get_excluded_post_ids(current_user_id)all_posts=Post.query.filter(Post.status=='active',~Post.id.in_(excluded_post_ids)ifexcluded_post_idselseTrue).all()# 计算推荐分数并排序scored_posts=[]forpostinall_posts:score,reasons=calculate_recommendation_score(current_user_id,post,user_preferences)ifscore>0:scored_posts.append({'post':post,'score':score,'reasons':reasons})scored_posts.sort(key=lambdax:x['score'],reverse=True)# 如果推荐不足，补充热门帖子recommendations=format_recommendations(scored_posts[:limit])iflen(recommendations)<limit:recommendations.extend(get_hot_posts(limit-len(recommendations),excluded_post_ids))returnsuccess(data={'recommendations':recommendations,'user_preferences':user_preferences})

1.3 测试工作成果

• 测试内容：个性化推荐算法功能验证
• 测试状态：全部通过
• 测试报告：

本次测试针对系统的"个性化推荐功能"进行了深度验证，确保推荐算法能够准确分析用户偏好并提供有价值的推荐结果。

1. 推荐分数计算准确性
   测试场景：验证推荐分数的各因子权重是否正确计算。
   测试过程：

• 类型匹配测试：创建一个偏好"求助"类型的测试用户，验证"求助"类帖子获得 30 分加成。
• 学院匹配测试：同学院用户发布的帖子正确获得 20 分加成。
• 价格匹配测试：历史平均交易价格 100 元的用户，50-150 元区间内的帖子获得 15 分加成。
• 时间衰减测试：3 天内发布的帖子获得 10 分，3-7 天获得 5 分。
  测试结果：所有推荐因子计算准确，推荐分数符合预期公式。

2. 协同过滤效果验证
   测试场景：验证相似用户行为对推荐结果的影响。
   测试过程：

• 创建 5 个同学院测试用户，让其中 3 个用户申请同一个帖子。
• 验证该帖子在第 4 个用户的推荐列表中获得协同过滤加分（15 分）。
• 确认推荐理由正确显示"相似用户也在关注"。
  测试结果：协同过滤算法有效识别相似用户行为，推荐结果符合预期。

3. 冷启动处理
   测试场景：验证新用户（无历史行为）的推荐体验。
   测试过程：

• 创建全新测试账号，无任何申请或订单记录。
• 请求推荐列表，验证系统返回热门帖子作为补充。
• 确认热门帖子按最近 7 天申请数排序。
  测试结果：冷启动处理机制正常工作，新用户也能获得有价值的推荐。

总结：个性化推荐算法功能完备。混合推荐策略有效结合了内容推荐、协同过滤、时间衰减等多个维度，为用户提供了精准的个性化推荐体验。

1.4 SCRUM会议照片

• 会议时间：2025年1月2日
• 会议地点：晋江楼二楼
  
  

Part 2: PM报告

2.1 项目整体进度

2.2 燃起图

说明：截止 Day 8，项目进度已接近尾声（87%）。这两天我们完成了核心的个性化推荐算法开发，包括混合推荐策略、协同过滤模块和前端展示组件。从燃起图可以看出，Day 7-8 的任务完成速度较快，剩余 6 个任务主要集中在最终部署、性能优化和演示准备上，预计能够按时完成冲刺目标。

2.3 任务总量变化记录

反思：推荐算法的开发过程中，协同过滤的计算效率是一个挑战。在大量用户数据的情况下，实时计算相似用户行为会带来性能压力。我们计划在后续版本中引入 Redis 缓存用户偏好数据，以提升响应速度。

2.4 项目最新运行截图

功能演示 ：个性化推荐列表

首页展示基于用户行为分析的个性化推荐帖子，每个帖子显示推荐分数和推荐理由。