协同过滤 + 内容特征融合的双通道混合推荐引擎,支持 WARP/BPR 排名损失,Flask API 实时服务,内置冷启动降级策略
双通道融合设计:协同过滤通道学习用户-商品隐向量,内容特征通道学习特征权重,两条通道的表示相加后计算评分
从交互矩阵学习用户和商品的隐向量(latent embeddings),捕捉隐式偏好模式,解决相似用户/商品的推荐问题
从用户特征和商品特征学习权重矩阵,将内容特征投影到隐空间,为冷启动用户提供特征化推荐表示
两种 pairwise ranking 损失函数,均通过正负样本对优化排序质量
Weighted Approximate-Rank Pairwise
Bayesian Personalized Ranking
200 用户 × 300 商品 × 4728 条交互,80/20 train/test split,基线为全局热度推荐
| 模型 | Precision@10 | Recall@10 | 提升 |
|---|---|---|---|
| 基线(Most Popular) | 0.0161 | — | — |
| WARP 混合模型 | 0.0286 | 0.0588 | +77% |
| BPR 混合模型 | 0.0246 | 0.0592 | +53% |
Flask 实时推荐服务,支持个性化推荐、冷启动降级、热度推荐、用户画像查询
个性化推荐核心接口。全新用户自动降级为全局热度推荐
全局热度推荐(Most Popular 基线策略)
用户画像查询:年龄段、性别、活跃度、训练集交互商品列表
商品信息查询:类别、价格区间、热度值
完整可独立运行的代码文件,5 个文件共 ~1300 行