企业官网建设流程全解析

汕头市住房和城乡建设局网站,开微信公众号流程,企业宣传图片模板,全媒体运营师培训机构Beta阶段冲刺博客4 团队名称U-Linker课程EE308FZ - 软件工程要求Teamwork—beta Spring目标记录β冲刺第7-8天的进展 目录 Beta阶段冲刺博客4Part 1: SCRUM部分1.1 成员工作进展1.2 代码签入记录功能模块#xff1a;个性化推荐算法核心推荐因子算法流程 功能模块#xff1a;…Beta阶段冲刺博客4团队名称U-Linker课程EE308FZ - 软件工程要求Teamwork—beta Spring目标记录β冲刺第7-8天的进展目录Beta阶段冲刺博客4Part 1: SCRUM部分1.1 成员工作进展1.2 代码签入记录功能模块个性化推荐算法核心推荐因子算法流程功能模块推荐 API 接口1.3 测试工作成果1.4 SCRUM会议照片Part 2: PM报告2.1 项目整体进度2.2 燃起图2.3 任务总量变化记录2.4 项目最新运行截图功能演示 个性化推荐列表Part 1: SCRUM部分1.1 成员工作进展成员角色过去两天完成的任务遇到的困难接下来的计划颜一顺后端1. 配置生产环境服务器2. 搭建推荐算法运行环境服务器内存配置优化协助测试组进行线上环境压力测试曾渝后端1. 设计基于用户行为的简易推荐算法2. 实现协同过滤模块协同过滤计算效率优化优化推荐算法性能增加缓存机制程一鸣后端1. 开发获取推荐帖子列表的 API 接口2. 实现浏览记录接口无完善推荐 API 的分页和过滤功能陶炯后端1. 编写 Docker Compose 编排脚本2. 实现一键部署功能容器间网络通信配置编写部署文档准备生产环境上线陈舒薇前端1. 设计个性化推荐模块的前端 UI 组件2. 完成推荐卡片样式推荐理由标签布局优化推荐页面交互体验杨璐前端1. 配合后端进行线上环境的冒烟测试2. 修复测试发现的 Bug无协助完成最终验收测试薛易明前端1. 在首页接入个性化推荐列表展示2. 实现推荐分数可视化展示推荐列表与普通列表切换逻辑完善推荐页面的加载动画和空状态高子言前端1. 编写前端 Dockerfile2. 配置 Nginx 反向代理SSL 证书配置优化前端构建流程减小打包体积林语婧PM1. 制定推荐策略规则2. 统筹上线部署流程无组织最终演示彩排准备答辩材料黄祉睿测试1. 测试推荐算法的准确性2. 验证部署后的稳定性无编写测试报告总结 Bug 修复情况陈乐晗数据1. 整理用户兴趣标签数据2. 解决推荐冷启动问题新用户数据不足分析推荐效果提出优化建议张健涛数据1. 模拟不同用户行为2. 生成测试推荐算法所需的数据无准备演示用的测试账号和数据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:score30reasons.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:29-34userdb.session.get(User,user_id)ifuseranduser.collegeandpost.author.college:ifuser.collegepost.author.college:score20reasons.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_rangeuser_preferences.get(preferred_price_range,[0,100])ifpreferred_price_range[0]post.pricepreferred_price_range[1]:score15reasons.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).days3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_old3:score10reasons.append(最新发布)elifdays_old7:score55. 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_datauser_preferences.get(collaborative_score,{})ifisinstance(collab_data,dict):collaborative_scorecollab_data.get(post.id,0)else:collaborative_scorecollab_dataifisinstance(collab_data,int)else0ifcollaborative_score0:scoremin(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.pyrecommendation_bp.route(/posts,methods[GET])defget_recommendations():获取个性化推荐帖子列表current_user_idsession.get(user_id)ifnotcurrent_user_id:returnerror(message请先登录)limitmin(request.args.get(limit,10,typeint),50)# 分析用户偏好user_preferencesanalyze_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_idsget_excluded_post_ids(current_user_id)all_postsPost.query.filter(Post.statusactive,~Post.id.in_(excluded_post_ids)ifexcluded_post_idselseTrue).all()# 计算推荐分数并排序scored_posts[]forpostinall_posts:score,reasonscalculate_recommendation_score(current_user_id,post,user_preferences)ifscore0:scored_posts.append({post:post,score:score,reasons:reasons})scored_posts.sort(keylambdax:x[score],reverseTrue)# 如果推荐不足补充热门帖子recommendationsformat_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。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。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。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 项目整体进度指标数值预期总任务数47已完成任务数41剩余任务数6完成百分比87%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。天数剩余任务数完成任务数Day 1470Day 2443Day 3407Day 43611Day 53017Day 62225Day 71433Day 86412.3 任务总量变化记录日期原计划任务数新增任务数新增原因01.02470无新增任务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。个性化