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）     │
│  └─ finish() 末尾调用 profileDimensionService.syncFromProfile()  │
│       → 同步写入 member_profile_dimension（结构化维度得分）        │
└──────────────────────────┬───────────────────────────────────────┘
                           │
                           ▼
┌──────────────────────────────────────────────────────────────────┐
│ ProfileRecommendService.recommend(memberId, types, limit)        │
│                                                                   │
│  1. 查 member_profile_dimension（取最新 session 的画像）          │
│  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，hasMore = (total > limit)               │
│  4. 记录推荐日志（show）                                          │
└──────────────────────────┬───────────────────────────────────────┘
                           │
                           ▼
┌──────────────────────────────────────────────────────────────────┐
│ 推荐端点 /api/recommend/profile（在 RecommendationController 中） │
│ 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',
    session_id BIGINT NOT NULL COMMENT '来源会话ID（ai_q_session.id，用于取最新）',
    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/action/wealth',
    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),
    INDEX idx_session (session_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='成员画像维度得分';

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 维度编码映射规则

AI 问卷场景的 dimensions_json 字段（JSON）结构如下：

{
  "user": [
    {"key": "肠道菌群状态", "score": 85, "description": "肠道健康良好"},
    {"key": "压力倾向", "score": 72, "description": "中等压力水平"}
  ],
  "need": [
    {"key": "焦虑倾向", "score": 68},
    {"key": "消化改善", "score": 80}
  ]
}

映射规则（key → dimension_code）：

key 关键词包含	dimension_code
肠道/菌群/消化/营养/免疫/睡眠	`body`
压力/焦虑/情绪/抑郁/自信/神经质	`mind`
认知/学习/专注/记忆/思维	`wisdom`
亲子/人际/社交/沟通/关系	`action`
财富/收入/规划/储蓄/消费	`wealth`

映射优先级：精确匹配 > 关键词包含匹配 > 不映射（跳过该维度）。

4.4 数据迁移

历史画像：现有 AiQProfile 数据不入 member_profile_dimension（历史数据无 key→dimension_code 映射逻辑）。

新问卷：每次问卷完成时自动同步。

Article.dimensionIds 迁移（一次性脚本）：

现有字段：Article.dimensionIds（VARCHAR，逗号分隔，如 "body,mind"）、dimensionWeights（VARCHAR，逗号分隔，如 "0.8,0.6"）
迁移逻辑：按逗号拆分 → 配对 → 逐行 INSERT IGNORE INTO article_dimension_mapping（match_score = weight × 100 取整）

Activity.dimensionCode 迁移（一次性脚本）：

现有字段：Activity.dimensionCode（VARCHAR，单个值如 "mind"）、dimensionWeights（VARCHAR，如 "0.7"）
迁移逻辑：直接映射为一条记录，match_score = weight × 100

幂等性：所有迁移使用 INSERT IGNORE，可重复执行。

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 查询最新的 ai_q_session（按 finished_at 降序取 1 条）
根据 session_id 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 2 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）
计算 hasMore：SELECT COUNT(*) WHERE dimension_code IN (...)，若 total > limit 则 hasMore=true

多次画像处理：只取最新一次问卷完成后的画像（session_id 最大），避免历史低质量画像干扰推荐。

5.3 无画像时的降级

无 member_profile_dimension 记录（无有效 session）→ 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 Long getLatestSessionId(Long memberId);
    private List<MemberProfileDimension> loadUserProfiles(Long sessionId);
    private List<MemberProfileDimension> loadNeedProfiles(Long sessionId);
    private List<RecommendItemVO> recommendByDimension(
        Long memberId, String type, List<MemberProfileDimension> profiles, int limit);
    private double calcScore(List<DimensionScore> dims, int matchScore, boolean isNeedMatch);
}

6.2 AiQuestionnaireService 改造

finish() 方法末尾（非 doGenerateProfile() 内部）追加同步调用：

// AiQuestionnaireService.finish() 末尾
public AiQProfile finish(Long userId, Long sessionId) {
    AiQProfile profile = doGenerateProfile(session, scene, history);
    // ... 原有保存逻辑 ...

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

    return profile;
}

syncFromProfile 逻辑：

解析 profile.getUserProfileJson() 和 profile.getNeedProfileJson()（JSON 字符串）
按 §4.3 映射规则将 key → dimension_code
DELETE 该 session_id 对应的旧记录（幂等）
INSERT 新记录

6.3 推荐端点（新增）

位置：RecommendationController（或新建 ProfileRecommendController），路径 /api/recommend/profile

@PostMapping("/profile")
public Result<Map<String, Object>> profileRecommend(
    @RequestBody Map<String, Object> params,
    @RequestAttribute("userId") Long userId) {
    // 参数: memberId(可选,默认userId), 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,
    //   profileSessionId: Long  // 本次推荐使用的画像会话ID
    // }
}

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（ArticleEdit.vue）增加维度选择器（多选 + 匹配度滑块 + 原因输入）
活动编辑页（ActivityEdit.vue）同理
复用 ProductDimensionMapping 的 UI 模式（已有 ProductEdit.vue 中的实现参考）
后端新增 /api/admin/article/{id}/dimensions 和 /api/admin/activity/{id}/dimensions 接口

7. 推荐日志

复用现有 RecommendationLog 表，追加 recommend_type 字段：

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

迁移：ALTER TABLE recommendation_logs ADD COLUMN recommend_type VARCHAR(20) DEFAULT 'tag' COMMENT '推荐方式'

8. 实施步骤

阶段 1：数据层

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，含 key→dimension_code 解析）

阶段 2：后端服务

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

阶段 3：控制器与前端

新增 /api/recommend/profile 端点（ProfileRecommendController）
管理端文章/活动维度映射编辑页（ArticleEdit.vue / ActivityEdit.vue 扩展）
小程序画像结果页接入推荐（pages/mind-detail/emotion-report.vue 或独立推荐卡片）

9. 约束与边界

维度编码：五维体系为 body/mind/wisdom/action/wealth（action = 行维度，非 social）
维度映射：AI 问卷 dimensions_json 中的 key 通过关键词匹配规则映射到五维编码（见 §4.3）
并发：画像同步在 finish() 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（含需求加成）
单元测试：ProfileDimensionService.syncFromProfile() 的 key→dimension_code 映射正确性
集成测试：画像同步 → 推荐查询 → 结果排序 → 日志记录
迁移测试：mvn clean compile + 迁移幂等性验证（INSERT IGNORE 可重复）

2026-08-14-profile-recommendation-design.md 14 KB Trvalý odkaz Historie Surový