内容推荐系统

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

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:

// 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:

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:

1. 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

2. 协同过滤 (Collaborative Filtering)

   • 基于相似用户的偏好
   • P2P 网络匿名兴趣交换

3. 热度推荐 (Trending)

   • 时间衰减的热度分数
   • 社区内趋势内容

4. 混合推荐 (Hybrid)

   • 多策略加权融合
   • 自适应权重调整

使用示例:

// 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:

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

// 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

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:

1. 个性化推荐流

   • 无限滚动推荐列表
   • 推荐理由展示
   • 一键反馈

2. 兴趣画像

   • 兴趣标签云
   • 兴趣分数趋势
   • 手动兴趣调整

3. 发现

   • 热门内容
   • 社区趋势
   • 相似创作者

---

配置选项

{
  "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

// 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

// 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

1. 本地计算: 所有推荐算法在本地运行，数据不上传
2. 匿名交换: P2P 协同过滤使用差分隐私
3. 数据控制: 用户可随时清除兴趣数据
4. 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

---

相关文档

• Social AI + ActivityPub
• 去中心化社交
• Nostr 桥接
• 产品路线图

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