用户画像驱动推荐系统设计

1. 概述

利用 AI 动态问卷引擎生成的用户画像（维度得分 + 需求），建立结构化的画像存储，并通过多维度加权匹配算法向用户推荐商品、文章和活动。

2. 背景与现状

2.1 已有基础设施

组件	现状	说明
`AiQProfile`	`userProfileJson` / `needProfileJson` JSON 存储	画像原始快照，不可查询
`ProductDimensionMapping`	商品-维度映射表（dimensionCode, matchScore, matchReason）	仅覆盖商品
`RecommendationService`	基于标签关键词的跨表搜索	无维度权重计算
`ContentRecommendService`	基于 dimensionCode 筛选推荐	权重单一，无多维度聚合
`RecommendationResult`	统一推荐结果 DTO	格式可用
`RecommendationLog`	行为追踪表（show/click/consume）	可用

2.2 核心缺口

画像维度得分未结构化存储，无法被推荐系统查询
推荐引擎只做标签匹配，没有利用维度权重做多维度聚合评分
文章和活动缺少统一的维度映射表

3. 架构

┌──────────────────────────────────────────────────────────────────┐
│ AI 问卷完成（AiQuestionnaireService.finish）                      │
│  → doGenerateProfile()                                            │
│     ├─ 写 AiQProfile（原始 JSON 快照，不变）                      │
│     └─ 同步写入 member_profile_dimension（结构化维度得分）        │
└──────────────────────────┬───────────────────────────────────────┘
                           │
                           ▼
┌──────────────────────────────────────────────────────────────────┐
│ ProfileRecommendService.recommend(memberId, types, limit)        │
│                                                                   │
│  1. 查 member_profile_dimension（user 维度得分 + need 需求）      │
│  2. 对每种 content type：                                         │
│     a. 查对应的 dimension_mapping 表                              │
│     b. 计算加权匹配得分 = Σ(profile_dim × content_dim_match)     │
│     c. 需求加成：匹配 need 的维度 +20 分                          │
│  3. 合并排序 → 取 top N                                          │
│  4. 记录推荐日志（show）                                          │
└──────────────────────────┬───────────────────────────────────────┘
                           │
                           ▼
┌──────────────────────────────────────────────────────────────────┐
│ 推荐端点 /api/recommend/profile（供小程序/Web 调用）              │
│ 统一返回 RecommendItemVO 列表                                     │
└──────────────────────────────────────────────────────────────────┘

4. 数据模型

4.1 画像维度表（新建）

CREATE TABLE member_profile_dimension (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    member_id BIGINT NOT NULL COMMENT '家庭成员ID',
    scene_id BIGINT COMMENT '来源场景ID（ai_q_scene.id）',
    dimension_code VARCHAR(50) NOT NULL COMMENT '五维编码: body/mind/wisdom/wealth/social',
    score INT NOT NULL COMMENT '得分 0-100',
    description VARCHAR(500) COMMENT '维度描述',
    evidence JSON COMMENT '证据列表 ["ev1","ev2"]',
    profile_type VARCHAR(10) NOT NULL DEFAULT 'user' COMMENT 'user=用户画像, need=需求画像',
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
    updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
    INDEX idx_member_dim (member_id, dimension_code),
    INDEX idx_member_type (member_id, profile_type)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='成员画像维度得分';

维度编码规则：与五维体系一致 body/mind/wisdom/wealth/social，AI 问卷的 dimensions_json 中的维度键值映射到五维编码（如"肠道菌群状态"→"body"）。

4.2 内容维度映射表

商品：复用现有 ProductDimensionMapping（dimensionCode, matchScore, matchReason, enabled）。

文章（新建）：

CREATE TABLE article_dimension_mapping (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    article_id BIGINT NOT NULL,
    dimension_code VARCHAR(50) NOT NULL,
    match_score INT DEFAULT 50 COMMENT '关联度 0-100',
    match_reason VARCHAR(200) COMMENT '关联原因',
    INDEX idx_article_dim (article_id, dimension_code),
    INDEX idx_dim_article (dimension_code, match_score)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='文章-维度映射';

活动（新建）：

CREATE TABLE activity_dimension_mapping (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    activity_id BIGINT NOT NULL,
    dimension_code VARCHAR(50) NOT NULL,
    match_score INT DEFAULT 50 COMMENT '关联度 0-100',
    match_reason VARCHAR(200) COMMENT '关联原因',
    INDEX idx_activity_dim (activity_id, dimension_code),
    INDEX idx_dim_activity (dimension_code, match_score)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='活动-维度映射';

4.3 数据迁移

现有 AiQProfile 数据不入 member_profile_dimension（历史数据无 dimension_code 映射）
新问卷完成后自动同步
现有 Article.dimensionIds/dimensionWeights 数据通过一次性迁移脚本导入 article_dimension_mapping
现有 Activity.dimensionCode/dimensionWeights 同理

5. 推荐算法

5.1 核心公式

对每个内容项 c（类型为 t ∈ {product, article, activity}）：

  基础得分 = Σ( profile_dim_score_i × mapping_match_score_i )
             ─────────────────────────────────────────────
                     Σ( profile_dim_score_i )

  需求加成 = 20 × (该内容匹配的 need_profile 维度数)

  最终得分 = 基础得分 + 需求加成

5.2 步骤

根据 memberId 查询 member_profile_dimension 中 profile_type='user' 的所有维度得分
查询 profile_type='need' 的维度编码集合
对每种请求的 content type，查询对应的 dimension_mapping 表，JOIN 步骤 1 的维度得分
按公式计算每项内容的最终得分
按最终得分降序排列，取 top limit
去重（同一内容可能映射多个维度，只保留最高分条目）

5.3 无画像时的降级

无 member_profile_dimension 记录 → 按 ContentRecommendService 现有逻辑按 dimensionCode 筛选
无维度映射的内容 → 不参与画像推荐（可走 RecommendationService 标签搜索兜底）

6. 服务与接口

6.1 ProfileRecommendService（新建）

@Service
public class ProfileRecommendService {
    public List<RecommendItemVO> recommend(Long memberId, List<String> types, int limit);
    // 内部方法
    private List<RecommendItemVO> recommendByDimension(
        Long memberId, String type, List<MemberProfileDimension> profiles, int limit);
    private double calcScore(int profileScore, int matchScore, boolean isNeedMatch);
}

6.2 AiQuestionnaireService 改造

doGenerateProfile() 末尾追加同步调用：

// 同步画像维度到 member_profile_dimension
profileDimensionService.syncFromProfile(profile, session);

6.3 推荐端点（新增）

@PostMapping("/api/recommend/profile")
public Result<Map<String, Object>> profileRecommend(
    @RequestBody Map<String, Object> params,
    @RequestAttribute("userId") Long userId) {
    // 参数: memberId, types(可选,默认["product","article","activity"]), limit(默认10)
    // 返回: { recommendations: [{id, title, summary, coverImage, dimensionCode, recommendScore, recommendReason, badge}], hasMore: bool }
}

6.4 管理端维度映射配置（新增）

Web 管理端增加文章/活动的维度映射编辑：

文章编辑页增加维度选择器（多选 + 匹配度 + 原因）
活动编辑页同理
复用 ProductDimensionMapping 的 UI 模式

7. 推荐日志

复用现有 RecommendationLog 表：

字段	值
`contentType`	`article` / `product` / `activity`
`action`	`show` / `click` / `consume`
`recommendScore`	算法计算的最终得分
新增 `recommendType`	`profile`（画像驱动）/ `dimension`（维度筛选）/ `tag`（标签搜索）

RecommendationLog 追加 recommend_type 字段。

8. 实施步骤

阶段 1：数据层（2 个任务）

建表迁移：member_profile_dimension + article_dimension_mapping + activity_dimension_mapping
RecommendationLog 追加 recommend_type 字段
现有数据迁移脚本（article/activity 维度映射）

阶段 2：后端服务（2 个任务）

创建 MemberProfileDimension Entity + Mapper
创建 ArticleDimensionMapping / ActivityDimensionMapping Entity + Mapper
创建 ProfileDimensionService（画像维度同步）
创建 ProfileRecommendService（推荐引擎核心）
改造 AiQuestionnaireService.doGenerateProfile() 接入同步

阶段 3：控制器与前端（2 个任务）

新增 /api/recommend/profile 端点
管理端文章/活动维度映射编辑页
小程序画像结果页接入推荐

9. 约束与边界

维度编码：与五维体系一致（body/mind/wisdom/wealth/social），AI 问卷场景的 dimensions_json 中的键需映射到五维编码
并发：画像同步在 doGenerateProfile 末尾串行执行，不额外加锁（画像只写一次）
降级：画像维度为空时走原始推荐逻辑
不涉及：实时画像更新、协同过滤、向量检索

10. 测试策略

单元测试：ProfileRecommendService 的加权得分计算逻辑
集成测试：画像同步 → 推荐查询 → 结果排序
迁移测试：mvn clean compile + 迁移幂等性验证

2026-08-14-profile-recommendation-design.md 11 KB История Исходник