内容推荐系统

Phase 48 | v1.1.0-alpha | 6 IPC 处理器 | 2 张新数据库表

概述

内容推荐系统基于用户行为信号（阅读、点赞、收藏等）自动构建兴趣画像，所有推荐算法均在本地运行以保护隐私。采用内容相似度（TF-IDF）、协同过滤（P2P 匿名 + 差分隐私）和热度加权的混合推荐策略，每条推荐附带透明的理由说明。

核心特性

🎯 用户兴趣画像: 基于 6 种行为信号（阅读/点赞/收藏/分享/评论/跳过）自动构建兴趣模型
📊 全本地推荐: 所有推荐算法在本地运行，数据不上传，隐私完全可控
🔀 混合推荐策略: 内容相似度(TF-IDF) + 协同过滤(P2P匿名) + 热度加权，自适应权重
💡 推荐透明化: 每条推荐附带理由说明，用户可随时反馈和调整
🔒 差分隐私: P2P 协同过滤使用差分隐私技术，匿名交换兴趣数据

系统架构

┌─────────────────────────────────────────────────┐
│              内容推荐系统                         │
├─────────────────────────────────────────────────┤
│  用户行为  →  兴趣画像器  →  兴趣模型           │
│                    ↓                             │
│  ┌─────────────────────────────────────────┐    │
│  │           本地推荐引擎                   │    │
│  │  ┌──────────┐ ┌──────┐ ┌────────────┐  │    │
│  │  │ 内容相似 │ │ 协同 │ │ 热度推荐   │  │    │
│  │  │ TF-IDF   │ │ 过滤 │ │ 时间衰减   │  │    │
│  │  └────┬─────┘ └──┬───┘ └─────┬──────┘  │    │
│  │       └──────────┼───────────┘          │    │
│  │                  ↓                      │    │
│  │         混合加权融合                     │    │
│  └──────────────────┬──────────────────────┘    │
│                     ↓                           │
│  推荐结果  ←  反馈学习  ←  用户反馈             │
├─────────────────────────────────────────────────┤
│  DB: user_interest_profiles | content_recs      │
└─────────────────────────────────────────────────┘

核心功能

1. 兴趣画像器 (Interest Profiler)

基于用户交互行为自动构建兴趣模型。

行为信号:

信号类型	权重	说明
阅读	1.0	打开内容并停留 >5s
点赞	2.0	显式正反馈
收藏	3.0	强兴趣信号
分享	2.5	社交传播信号
评论	2.0	深度参与信号
跳过	-0.5	负反馈信号

使用示例:

javascript

// 记录用户行为
await window.electronAPI.invoke("recommendation:track-interaction", {
  contentId: "post-123",
  interactionType: "like",
  metadata: { duration: 30 },
});

// 获取兴趣画像
const profile = await window.electronAPI.invoke(
  "recommendation:get-interest-profile",
);

console.log(profile);
// {
//   interests: [
//     { topic: '技术', score: 0.92, confidence: 'high' },
//     { topic: 'AI', score: 0.85, confidence: 'high' },
//     { topic: 'Web3', score: 0.72, confidence: 'medium' },
//     { topic: '摄影', score: 0.45, confidence: 'low' }
//   ],
//   lastUpdated: 1709078400000,
//   totalInteractions: 256
// }

// 更新兴趣画像
await window.electronAPI.invoke("recommendation:update-profile");

数据库结构:

sql

CREATE TABLE user_interest_profiles (
  id TEXT PRIMARY KEY,
  user_did TEXT NOT NULL,
  topic TEXT NOT NULL,
  score REAL DEFAULT 0,
  interaction_count INTEGER DEFAULT 0,
  last_interaction INTEGER,
  created_at INTEGER NOT NULL,
  updated_at INTEGER
);

2. 本地推荐器 (Local Recommender)

完全本地化的推荐引擎，支持多种推荐策略。

推荐策略:

基于内容的推荐 (Content-Based)
- TF-IDF 关键词匹配
- 主题相似度计算
- 作者相似度
协同过滤 (Collaborative Filtering)
- 基于相似用户的偏好
- P2P 网络匿名兴趣交换
热度推荐 (Trending)
- 时间衰减的热度分数
- 社区内趋势内容
混合推荐 (Hybrid)
- 多策略加权融合
- 自适应权重调整

使用示例:

javascript

// 获取个性化推荐
const recommendations = await window.electronAPI.invoke(
  "recommendation:get-recommendations",
  {
    limit: 20,
    strategy: "hybrid", // content/collaborative/trending/hybrid
  },
);

console.log(recommendations);
// [
//   {
//     contentId: 'post-456',
//     title: '深度学习在去中心化系统中的应用',
//     score: 0.95,
//     reason: '基于您对AI和Web3的兴趣',
//     strategy: 'content-based'
//   },
//   ...
// ]

// 获取相似内容推荐
const similar = await window.electronAPI.invoke(
  "recommendation:get-similar-content",
  {
    contentId: "post-123",
    limit: 10,
  },
);

// 刷新推荐列表
await window.electronAPI.invoke("recommendation:refresh");

数据库结构:

sql

CREATE TABLE content_recommendations (
  id TEXT PRIMARY KEY,
  user_did TEXT NOT NULL,
  content_id TEXT NOT NULL,
  score REAL NOT NULL,
  strategy TEXT NOT NULL,
  reason TEXT,
  shown INTEGER DEFAULT 0,
  clicked INTEGER DEFAULT 0,
  created_at INTEGER NOT NULL
);

3. 推荐反馈

javascript

// 对推荐结果提供反馈
await window.electronAPI.invoke("recommendation:feedback", {
  recommendationId: "rec-001",
  feedback: "relevant", // relevant/irrelevant/already-seen
});

// 标记不感兴趣
await window.electronAPI.invoke("recommendation:dismiss", {
  contentId: "post-789",
  reason: "not-interested",
});

前端集成

Pinia Store

typescript

import { useRecommendationStore } from "@/stores/recommendation";

const recommendation = useRecommendationStore();

// 获取推荐
await recommendation.fetchRecommendations();

// 访问推荐列表
console.log(recommendation.recommendations);

// 获取兴趣画像
await recommendation.fetchProfile();
console.log(recommendation.interests);

前端页面

推荐内容页面 (/recommendations)

功能模块:

个性化推荐流
- 无限滚动推荐列表
- 推荐理由展示
- 一键反馈
兴趣画像
- 兴趣标签云
- 兴趣分数趋势
- 手动兴趣调整
发现
- 热门内容
- 社区趋势
- 相似创作者

配置选项

json

{
  "socialAI": {
    "recommendation": {
      "enabled": true,
      "strategy": "hybrid",
      "weights": {
        "contentBased": 0.4,
        "collaborative": 0.3,
        "trending": 0.3
      },
      "maxRecommendations": 50,
      "refreshInterval": 3600000,
      "minConfidence": 0.3,
      "decayFactor": 0.95
    }
  }
}

使用场景

场景 1: 新用户冷启动

javascript

// 1. 用户注册后，设置初始兴趣
await window.electronAPI.invoke("recommendation:track-interaction", {
  contentId: "category-tech",
  interactionType: "like",
});

// 2. 基于初始兴趣获取推荐
const recs = await window.electronAPI.invoke(
  "recommendation:get-recommendations",
  {
    limit: 10,
    strategy: "trending", // 冷启动使用热度推荐
  },
);

场景 2: 持续个性化

javascript

// 用户持续阅读内容，系统自动学习
// 推荐质量随时间不断提升

// 查看推荐效果指标
const metrics = await window.electronAPI.invoke("recommendation:get-metrics");
// {
//   clickThroughRate: 0.32,
//   relevanceScore: 0.78,
//   diversityScore: 0.65,
//   totalRecommendations: 1500
// }

隐私保护

本地计算: 所有推荐算法在本地运行，数据不上传
匿名交换: P2P 协同过滤使用差分隐私
数据控制: 用户可随时清除兴趣数据
透明推荐: 每条推荐都附带理由说明

性能指标

指标	目标	实际
推荐生成延迟	<200ms	~150ms
兴趣画像更新	<100ms	~70ms
相似内容计算	<300ms	~200ms
推荐刷新	<500ms	~350ms

配置参考

javascript

// desktop-app-vue/src/main/social/content-recommendation.js
const DEFAULT_CONFIG = {
  // 推荐引擎
  strategy: "hybrid",               // 推荐策略: content | collaborative | trending | hybrid
  weights: {
    contentBased: 0.4,              // 内容相似度权重 (TF-IDF)
    collaborative: 0.3,             // 协同过滤权重 (P2P 匿名)
    trending: 0.3,                  // 热度推荐权重 (时间衰减)
  },
  maxRecommendations: 50,           // 每次最多推荐条数
  refreshInterval: 3600000,         // 推荐缓存刷新间隔 (ms)，默认 1 小时
  minConfidence: 0.3,               // 推荐最低置信度阈值 (0~1)
  decayFactor: 0.95,                // 兴趣衰减系数 (每次更新)

  // 兴趣画像
  interestProfile: {
    minInteractions: 5,             // 兴趣生效所需最低交互次数
    maxTopics: 50,                  // 兴趣画像最大主题数
    highConfidenceThreshold: 0.7,   // 高置信度阈值
    mediumConfidenceThreshold: 0.4, // 中置信度阈值
  },

  // 差分隐私 (P2P 协同过滤)
  privacy: {
    enabled: true,                  // 启用差分隐私
    epsilon: 1.0,                   // 隐私预算 (越小越安全，越大越准确)
    noiseScale: 0.1,                // 兴趣向量噪声幅度
  },
};

配置项	默认值	说明
`strategy`	`hybrid`	推荐策略，`hybrid` 综合三种算法
`weights.contentBased`	`0.4`	内容相似度在混合策略中的权重
`weights.collaborative`	`0.3`	协同过滤权重，依赖 P2P 网络
`weights.trending`	`0.3`	热度推荐权重，适合冷启动
`maxRecommendations`	`50`	单次推荐上限，过大影响性能
`refreshInterval`	`3600000`	毫秒，推荐缓存有效期
`minConfidence`	`0.3`	低于此值的推荐被过滤
`decayFactor`	`0.95`	每次画像更新时旧兴趣的衰减系数
`privacy.epsilon`	`1.0`	差分隐私预算，建议范围 0.1~2.0

测试覆盖率

✅ content-recommendation.test.js        - 推荐引擎核心逻辑（混合策略、权重融合）
✅ interest-profiler.test.js             - 兴趣画像构建（6 种行为信号权重）
✅ local-recommender.test.js             - 本地推荐算法（TF-IDF / 协同过滤 / 热度）
✅ recommendation-feedback.test.js       - 推荐反馈与负样本学习
✅ stores/recommendation.test.ts         - Pinia Store 状态管理与 IPC 调用

故障排查

安全考虑

全本地计算: 所有推荐算法在本地运行，用户行为数据不上传到任何外部服务器
差分隐私: P2P 协同过滤使用差分隐私技术，交换的兴趣数据经过噪声处理，无法还原个人信息
数据可控: 用户可随时清除兴趣画像和推荐历史数据
透明推荐: 每条推荐附带理由说明，用户可了解推荐逻辑，避免"信息茧房"
行为数据隔离: 用户行为记录仅存储在本地 SQLite 数据库中，受 SQLCipher 加密保护
最小数据收集: 仅记录必要的行为信号（6 种交互类型），不追踪浏览器指纹等额外信息

使用示例

相似内容搜索

javascript

// 基于当前阅读内容查找相似文章
const similar = await window.electronAPI.invoke('recommendation:get-similar-content', {
  contentId: 'post-123',
  limit: 10
});
// 返回按相似度降序排列的内容列表，每条附带匹配分数和匹配原因

// 基于关键词搜索推荐候选内容
const results = await window.electronAPI.invoke('recommendation:get-recommendations', {
  limit: 20,
  strategy: 'content'  // 仅使用内容相似度策略
});

用户偏好学习与反馈

javascript

// 批量记录用户行为（阅读 + 收藏）
await window.electronAPI.invoke('recommendation:track-interaction', {
  contentId: 'post-456', interactionType: 'read', metadata: { duration: 120 }
});
await window.electronAPI.invoke('recommendation:track-interaction', {
  contentId: 'post-456', interactionType: 'bookmark'
});

// 对不感兴趣的推荐提供负反馈（系统自动降权该主题）
await window.electronAPI.invoke('recommendation:dismiss', {
  contentId: 'post-789', reason: 'not-interested'
});

// 手动刷新兴趣画像，使最新行为数据立即生效
await window.electronAPI.invoke('recommendation:update-profile');

关键文件

文件	说明
`desktop-app-vue/src/main/social/content-recommendation.js`	推荐引擎核心实现
`desktop-app-vue/src/main/social/interest-profiler.js`	兴趣画像构建器
`desktop-app-vue/src/main/social/local-recommender.js`	本地推荐算法（内容/协同/热度）
`desktop-app-vue/src/main/social/recommendation-feedback.js`	推荐反馈与学习
`desktop-app-vue/src/renderer/stores/recommendation.ts`	推荐系统 Pinia Store

文档版本: 1.0.0 最后更新: 2026-02-27

内容推荐系统

概述

核心特性

系统架构

核心功能

1. 兴趣画像器 (Interest Profiler)

2. 本地推荐器 (Local Recommender)

3. 推荐反馈

前端集成

Pinia Store

前端页面

配置选项

使用场景

场景 1: 新用户冷启动

场景 2: 持续个性化

隐私保护

性能指标

配置参考

测试覆盖率

故障排查

推荐结果为空或过少

推荐内容不相关

推荐生成延迟过高

安全考虑

使用示例

推荐系统配置与策略调整

相似内容搜索

用户偏好学习与反馈

相关文档

关键文件

内容推荐系统 ​

概述 ​

核心特性 ​

系统架构 ​

核心功能 ​

1. 兴趣画像器 (Interest Profiler) ​

2. 本地推荐器 (Local Recommender) ​

3. 推荐反馈 ​

前端集成 ​

Pinia Store ​

前端页面 ​

配置选项 ​

使用场景 ​

场景 1: 新用户冷启动 ​

场景 2: 持续个性化 ​

隐私保护 ​

性能指标 ​

配置参考 ​

测试覆盖率 ​

故障排查 ​

推荐结果为空或过少 ​

推荐内容不相关 ​

推荐生成延迟过高 ​

安全考虑 ​

使用示例 ​

推荐系统配置与策略调整 ​

相似内容搜索 ​

用户偏好学习与反馈 ​

相关文档 ​

关键文件 ​

内容推荐系统

概述

核心特性

系统架构

核心功能

1. 兴趣画像器 (Interest Profiler)

2. 本地推荐器 (Local Recommender)

3. 推荐反馈

前端集成

Pinia Store

前端页面

配置选项

使用场景

场景 1: 新用户冷启动

场景 2: 持续个性化

隐私保护

性能指标

配置参考

测试覆盖率

故障排查

推荐结果为空或过少

推荐内容不相关

推荐生成延迟过高

安全考虑

使用示例

推荐系统配置与策略调整

相似内容搜索

用户偏好学习与反馈

相关文档

关键文件