⌂ demo 作品集/商品推荐系统

混合商品推荐系统

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

Python 3.10+ SciPy CSR Scikit-learn Pandas Flask API WARP / BPR

系统架构

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

用户特征
年龄/性别/活跃度
10维 one-hot
商品特征
类别/价格区间
10维 one-hot
↓
用户隐向量
Embedding (k维)
特征权重
Feature Weights
(特征→隐空间投影)
商品隐向量
Embedding (k维)
↓
用户表示 = 隐向量 + 特征 × 权重
商品表示 = 隐向量 + 特征 × 权重
↓
评分 = 用户表示 · 商品表示 + 商品偏置
↓
Top-N 推荐列表
按评分降序排列

协同过滤通道

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

内容特征通道

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

损失函数对比

两种 pairwise ranking 损失函数,均通过正负样本对优化排序质量

WARP

Weighted Approximate-Rank Pairwise

loss = w · max(0, margin - (s+ - s-))
  • 采样负样本直到找到违反 margin 约束的
  • 按采样次数估计正样本排名
  • 排名越高 → 权重越大 → 更新幅度越大
  • 直接优化排名指标(Precision@K)

BPR

Bayesian Personalized Ranking

loss = -log σ(s+ - s-)
  • 随机采样一个负样本
  • 最大化正负样本分数差的 sigmoid
  • 梯度 = σ(diff) - 1,数值稳定
  • 训练更平滑,适合大规模数据

评估指标

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@10Recall@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%

API 接口文档

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

GET/recommend

个性化推荐核心接口。全新用户自动降级为全局热度推荐

# Request GET /recommend?user_id=0&n=5 # Response(已知用户) { "user_id": 0, "cold_start": false, "strategy": "hybrid_warp", "count": 5, "recommendations": [ {"item_id": 110, "score": 2.08, "category": "食品", "price_bin": "0-50"}, ... ] } # Response(冷启动用户 user_id=9999) { "user_id": 9999, "cold_start": true, "strategy": "global_popular_fallback", "message": "新用户冷启动:返回全局热度推荐", "recommendations": [ {"item_id": 110, "popularity": 31.0, ...} ] }
GET/popular?n=10

全局热度推荐(Most Popular 基线策略)

GET/user/<id>

用户画像查询:年龄段、性别、活跃度、训练集交互商品列表

GET/item/<id>

商品信息查询:类别、价格区间、热度值

项目文件

完整可独立运行的代码文件,5 个文件共 ~1300 行

data_loader.py 模拟电商数据集 + CSR 稀疏矩阵
model.py 混合推荐模型(训练/评估/推理)
app.py Flask API + 冷启动降级
requirements.txt 依赖清单
README.md 架构说明 + API 调用样例