商品推荐系统-Flask

## 项目描述 商品推荐系统
基于用户历史点击行为与物品属性特征，先通过四路召回策略从十万级物品库中筛选候选集，再利用 Wide&Deep 模型对候选物品精排，输出每个用户的 Top-50 推荐列表。系统支持断点续跑，并配套可视化操作页面。

## 项目功能
– 数据预处理：点击日志去重、用户/物品统计、物品特征 PCA 降维
– 四路召回：FPGrowth 关联规则、DeepWalk ItemCF、Node2Vec ItemCF、物品特征余弦相似度
– 特征工程：构建 33 维统计特征，生成千万级训练样本
– 精排模型：Wide&Deep 5 折交叉验证，输出点击概率并排序
– 操作页面：用户推荐查询、推荐理由展示、模型指标可视化、召回策略说明

## 运行环境
– 操作系统：Windows
– Python 3.7（conda 环境 recsys）
– 主要依赖：Pandas、NumPy、Scikit-learn、TensorFlow/Keras、NetworkX、Flask
– 硬件：需约 12GB 可用内存（特征矩阵约 1400 万行）

## 项目技术
– 召回层：FPGrowth 频繁项集挖掘、图嵌入（DeepWalk/Node2Vec 随机游走 + Skip-gram）、PCA 降维 + 余弦相似度
– 排序层：Wide&Deep（线性 Wide 部分记忆共现 + 深度 MLP 部分泛化相似物品）
– 训练策略：5 折交叉验证、二元交叉熵损失、Adam 优化器
– 工程：4 层 checkpoint 断点续跑、pkl/h5 中间产物缓存、Flask 后端 + 原生前端单页应用

以上系统源码经过技术整理与调试，确保能正常运行