GaolBB的博客

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。

11。

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。

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。

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。

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。