- 博客(29)
- 收藏
- 关注
RSS订阅原创 博客十三：基本框架设计（下）
在商城运营时，我们可能是多个人员共同操作我们的系统，但是每个操作人员所具备的权限应该不同，权限的不同主要表现在两个部分，即导航菜单的查看权限和页面增删改操作按钮的操作权限。我们的把页面导航菜单查看权限和页面操作按钮统一存储在菜单数据库表中，菜单类型页面资源的类型。类型包括目录 、菜单 、按钮。
2025-06-11 19:45:00
691
原创 博客十二：基本框架概述（上）
使用进行分页的时候，是无法进行一对多、多对多的分页的。最主要的原因是因为，该框架无法清楚count的依据是什么，以哪个表算出来的行数为准，但是我们所有的分页格式已经统一好使用IPage对象了，那么该如何适配一对多、多对多分页呢？
2025-06-11 15:00:34
762
原创 博客八：小程序端界面原型与美化设计&项目用户操作手册
在电商小程序开发中，界面设计直接影响用户购物流程的顺畅度与转化率。本次针对电商推荐系统小程序端，以提升用户体验、简化购物路径、强化商品展示为目标，打造贴合用户行为习惯的视觉交互方案。
2025-06-06 08:45:00
225
原创 博客十一：商城订单系统全流程实现详解（小程序 + 后端）
在一个成熟的电商平台中，订单模块是交易流程的核心，它承接着用户的购买意图、促成支付行为，并成为后续物流履约和评价反馈的基础。在本篇文章中，我们将围绕商城小程序中订单模块的完整生命周期展开讲解，涵盖用户下单、订单提交、支付、状态流转、详情展示等核心功能，结合前后端真实代码，实现逻辑清晰可复现。我们在实现上划分前端、小程序逻辑（如状态判断、按钮展示），以及后端多模块协同（订单、商品、SKU、缓存等），再辅以支付与推荐模块对接，形成完整闭环。/p/myOrder：订单列表、详情、状态更新（取消/确认收货/删除）
2025-06-05 20:43:06
285
原创 项目博客 · 团队分工篇：协同共创，构筑智能购物体验
从系统架构设计到AI推荐模型的实现，从小程序交互开发到Web端管理后台的搭建，每位成员都在自己的职责范围内贡献了至关重要的力量。正如这篇博客所展示的那样，我们的团队成员不仅各自具备出色的技术能力，更懂得如何在有限的时间与资源下协作完成一个复杂系统的全流程开发。作为本项目的队长，高孙翔不仅负责系统整体架构与核心功能的策划，还亲自参与关键模块的实现，承担了贯穿项目生命周期的重要角色。在整个开发过程中，他不仅是项目进度的把控者，更是多个核心模块的直接开发者，协调团队，保障质量。
2025-05-28 15:15:00
243
原创 博客十：小程序端主页商品推送功能实现
CDATA[ put_away_time >= DATE_SUB(...) ]]>put_away_time >= NOW() - INTERVAL 7 DAY，按 put_away_time DESC。ori_price - price ≥ 5% 且 deal_start < NOW() < deal_end。SecurityUtils.getUser().getUserId() 安全透传。up-to-date / hot-sale / more-prod 三类卡片。
2025-05-27 21:16:18
314
原创 博客九：商品详情页与AI评论总结功能实现详解
AI评论总结”模块不仅是技术实现上的一次整合，更是对用户体验的深度优化尝试。我们用大模型承担了原本需要用户自行阅读、筛选、判断的任务，让决策链条更短、转化更高。从细节来看，这一功能也推动了商品数据结构的标准化、评论内容的可读化和平台智能化运营能力的整体提升。在传统电商平台中，商品评价通常按时间或评分排序，用户需自行阅读大量评论才能“看出门道”。如果你对我们这一功能的模型调试、Prompt工程、前后端异步逻辑等感兴趣，欢迎留言交流～：结合聚类算法，对评论划分“香味好闻”“清爽”“包装差”等话题；
2025-05-21 00:15:00
353
原创 博客五：电商推荐系统 Web 端界面原型及美化设计
作为山东大学项目实训商品推荐系统小组的 Web 端界面设计师，现将后台管理系统的视觉设计方案以专业视角进行拆解，从整体风格到细节组件，展现设计如何平衡功能性与用户体验。按照项目预期，使用adobe xd给出两版能覆盖大部分项目功能的界面设计原型线框稿。
2025-05-20 16:40:37
507
原创 博客二：三大推荐数据集初探与多模态挑战 —— MicroLens、PixelRec、Amazon对比分析及数据清洗实践
本文是我们多模态推荐系统实践项目的一篇周报日志，主要记录了项目启动阶段对三个主流推荐系统数据集的分析对比，以及多模态数据预处理中的初步挑战和进展。本文适合对推荐系统感兴趣，尤其是多模态推荐或大模型增强推荐系统方向有研究的同学阅读与参考。
2025-05-20 14:15:50
415
原创 博客八： 小程序端-AI购物助手功能实现详解——从用户语义到精准推荐的全链路设计
AI购物助手模块的实现，不仅仅是技术集成的过程，更是一次围绕“用户需求理解”的系统思考与工程实践。通过大模型能力的注入，我们得以用“聊天”的方式重构电商交互流程，让推荐变得更温柔、更人性、更精准。传统的电商系统依赖关键词搜索与分类导航，用户若不清楚商品名称，往往需要多次尝试关键词、跳转页面，才能找到目标产品。这一探索，为未来基于LLM的电商智能体（Agent）提供了一个实践样本，也让我们对个性化推荐系统有了更进一步的理解。LLM服务部署在Python后端，暴露两个接口，使用DeepSeek-V3模型调用。
2025-05-20 14:13:10
284
原创 博客七：小程序端我的足迹功能实现
在商城类项目中，“我的足迹”模块表面看是一个记录浏览历史的功能，但在我设计之初，我的目标远不止于此：因此，我决定围绕“我的足迹”模块，实现以下功能目标：按日期展示用户浏览商品历史美观的前端瀑布流式布局服务端返回结构合理、便于处理的结构体每次足迹记录还能更新推荐评分矩阵，为个性推荐服务最终作为构造用户画像的核心信息之一为了支撑足迹模块的展示与功能拓展，我定义了以下两个关键数据结构：使用 MyBatis XML 实现 SQL 联表查询：这是最核心的服务层逻辑：我使用 UniApp（Vue3
2025-05-17 20:45:36
185
原创 博客二：多模态电商数据集调研
在 “基于 LLM 的多模态新范式电商推荐系统” 中，我们整合了三大核心数据集，覆盖社交娱乐、图像交互和传统电商场景：1.23数据集用户数商品数交互记录核心模态稀疏度100,00019,738719,405文本 + 图像 + 视频99.96%PixelRec29M+408K195M+图像为主99.99%63,001192K1.69M文本 + 交互日志99.986%核心特征多模态完整性：四维数据（标题文本/封面图/音频/交互日志）形成完整用户-内容交互闭环。
2025-05-04 17:03:55
1320
原创 博客一：任务需求分析
这些问题不仅影响用户购物体验，也制约了商家的业务增长和平台的可持续发展。：采用模型量化（FP16）技术，减少深度学习模型的计算量和内存占用，同时在 Java 后端缓存热点商品特征，提高推荐系统的响应速度，降低计算资源消耗。：完成 Java 前后端基础框架搭建，实现推荐系统的召回和精排基础链路，同时开发 AIGC 内容生成模块，初步具备商品推荐和内容生成功能。：采用 LLM 精排与传统召回融合的方式，既保证了推荐的准确性，又提高了推荐的多样性和可解释性，为用户提供更优质的购物体验。
2025-05-04 08:45:00
165
原创 博客五：深入解析电商系统 config 模块实现逻辑（下）（异常处理 · 文件上传 · MyBatisPlus · Redis 缓存）
数据库商品表设计
2025-05-03 09:04:49
237
原创 电商推荐系统架构设计方案
本电商推荐项目是一个前后端分离的商城系统，后端采用 Java 语言，基于 Spring Boot 框架开发，使用 MyBatis - Plus 作为持久层框架，同时集成了 Spring Security 进行权限管理，Spring AOP 实现系统日志记录。前端使用 Vue.js 框架，借助avue轻量级表格插件实现通用分页表格。系统包括购物车、订单、商品管理、权限管理、异常处理、通用分页表格、文件上传下载、系统日志等多个功能模块。
2025-04-28 08:59:50
1148
原创 电商平台推荐系统需求分析文档
本方案优势：LLM精排 + 传统召回融合，兼顾准确性、多样性、可解释性。第一阶段：搭建基础推荐链路（召回+精排） + AIGC内容生成。计算资源优化：采用模型量化（FP16） + 缓存热点商品特征。传统电商平台：依赖协同过滤导致"信息茧房"，推荐多样性不足。平台管理矛盾：推荐算法黑盒化导致运营策略调整困难，缺乏可解释性和可控性。顾客需求矛盾：海量商品与个性化需求不匹配，用户难以快速找到目标商品。商家运营矛盾：商品同质化严重，中小商家缺乏精准触达目标用户的能力。平台侧：建立可解释、可干预的推荐治理体系。
2025-04-27 22:43:37
1025
原创 博客三：实训中的一些多模态推荐论文分享
带着这个问题，本周我们系统阅读了四篇发表在ICLR 2024顶会上的代表性多模态LLM论文：NExT-GPT、DreamLLM、LaVIT、MoE-LLaVA，分别从“任意模态处理能力”“生成理解协同”“统一视觉语言预训练”“稀疏专家结构”等方向，展现了当前MLLM的发展趋势和关键创新。LaVIT最大的创新点是“将图像内容标记化”，即通过视觉离散化模块，把图片转化为离散的token，然后输入语言模型处理，从而实现视觉与文本在输入层就对齐的能力。传统的MLLM往往只强调感知理解，但忽视内容生成的能力。
2025-04-26 15:45:00
993
原创 博客三：数据集下载
在大模型驱动的多模态推荐系统研发中，我们聚焦于构建融合文本、图像与用户行为的推荐框架。基于 LLM 的推荐语生成需求，我们选定 UCSD 发布的Amazon Product Data 数据集作为核心训练数据，其覆盖多品类商品的多模态信息，尤其适合探索 “文本 - 图像 - 交互行为” 的联合建模。
2025-04-16 15:30:51
1108
原创 博客一：关于多模态推荐系统的需求分析
在数字经济时代，电商平台的发展正在从“千人一面”的粗放式推荐向“千人千面”的个性化智能推荐转变。尤其随着生成式大语言模型（LLM）技术的兴起和多模态深度学习能力的增强，传统推荐系统在建模用户兴趣和理解物品语义方面暴露出诸多局限。
2025-04-15 19:27:52
869
原创 项目日志 | 基于LLM的多模态新范式电商推荐系统
因此，在数据层面，我们可以构建商品多模态数据集（文本+图像+用户行为图），利用LLM生成富文本特征（如情感分析、关键词提取）。若标注数据少，我们可采用MENTOR的自监督策略，从无标注数据中学习。对于我们的模型，可以用LLM作为模态编码器：LLM（如GPT-3.5）编码商品描述，替代传统文本编码器，提升语义理解。同时结合用户-物品交互图（如GCN），将LLM特征与协同过滤信号融合。评估指标可以参考MENTOR的实验设计，除准确率外，加入模态对齐度（如特征相似性）、鲁棒性（对抗噪声）等指标。
2025-03-31 11:09:16
924
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人