zhaojie/recommend
1
0
Fork 0
Code Issues Pull Requests 2 Actions Packages Projects Releases Wiki Activity

空提交

Browse Source
This commit is contained in:
Jeason
2026-03-18 15:09:37 +08:00
parent d69d0158d8
commit adffbbca1b
6 changed files with 176 additions and 912 deletions
Download Patch File Download Diff File Expand all files Collapse all files

237
OCR_USAGE_GUIDE.md
View File

@@ -1,237 +0,0 @@
# OCR热量识别功能使用指南
## 功能概述
OCR热量识别功能允许用户通过拍摄或上传包含食物信息的图片，自动识别其中的热量信息，大大简化了餐食记录的过程。
## 主要特性
### 1. 多OCR引擎支持
- **Tesseract OCR**: 开源OCR引擎，支持中英文识别
- **PaddleOCR**: 百度开源OCR，对中文识别效果优秀
- **EasyOCR**: 简单易用的OCR库，支持多语言
### 2. 智能验证机制
- **多级验证**: 结合OCR结果、食物数据库和用户学习数据
- **置信度评估**: 为每个识别结果提供置信度评分
- **用户修正**: 支持用户手动修正识别结果
### 3. 学习优化系统
- **用户反馈学习**: 记录用户修正，提高后续识别准确性
- **数据库匹配**: 与内置食物数据库进行智能匹配
- **模式识别**: 识别多种热量表示格式
## 使用方法
### 1. 启动OCR功能
#### 在移动端界面：
1. 打开应用，进入"记录"页面
2. 在食物输入框右侧找到"📷"按钮
3. 点击按钮打开OCR识别界面
#### 在桌面端界面：
1. 在主界面选择"OCR热量识别"功能
2. 或通过菜单栏访问OCR功能
### 2. 上传图片
1. 点击"选择图片"按钮
2. 选择包含食物信息的图片文件
3. 支持的格式：JPG、JPEG、PNG、BMP、GIF
4. 图片将显示在预览区域
### 3. 开始识别
1. 确认图片选择正确后，点击"开始识别"按钮
2. 系统将使用多个OCR引擎进行识别
3. 识别过程中会显示进度条和状态信息
4. 识别完成后显示结果
### 4. 查看和编辑结果
#### 识别结果表格：
- **食物名称**: 识别到的食物名称
- **热量**: 识别到的热量数值（卡路里）
- **置信度**: 识别结果的置信度（0-1）
- **来源**: 数据来源（OCR、数据库、用户确认）
#### 详细信息：
- OCR识别过程详情
- 各引擎的识别结果
- 处理时间和整体置信度
#### 建议：
- 系统提供的改进建议
- 识别准确性提示
- 手动输入建议
### 5. 编辑和确认结果
#### 编辑结果：
1. 双击表格中的任意行或选择后点击"编辑结果"
2. 在弹出的对话框中修改食物名称、热量和置信度
3. 点击"保存"确认修改
#### 确认结果：
1. 检查所有识别结果是否正确
2. 点击"确认结果"按钮
3. 系统将保存到餐食记录中
## 识别准确性优化
### 1. 图片质量要求
#### 推荐条件：
- **清晰度**: 图片清晰，文字可读
- **对比度**: 文字与背景对比明显
- **角度**: 文字水平，避免倾斜
- **光照**: 光线充足，避免阴影
#### 避免的情况：
- 模糊不清的图片
- 文字过小或过大的图片
- 严重倾斜的图片
- 光线过暗或过亮的图片
### 2. 文字格式支持
#### 支持的热量表示格式：
- `130卡路里`
- `155 kcal`
- `52千卡`
- `42大卡`
- `110 KJ` (千焦)
- `76卡`
#### 支持的食物名称：
- 中文食物名称：米饭、鸡蛋、苹果等
- 英文食物名称：rice、egg、apple等
- 混合格式：米饭 130卡路里
### 3. 提高识别准确性的技巧
#### 图片预处理：
- 确保图片中的文字清晰可见
- 避免复杂的背景干扰
- 保持文字区域的完整性
#### 结果验证：
- 仔细检查识别结果
- 及时修正错误信息
- 利用数据库匹配功能
#### 学习优化：
- 经常使用修正功能
- 系统会学习您的修正习惯
- 提高后续识别的准确性
## 故障排除
### 1. 常见问题
#### 识别失败：
- **原因**: 图片质量差、OCR引擎不可用
- **解决**: 检查图片质量，确保OCR依赖已安装
#### 识别结果不准确：
- **原因**: 图片模糊、文字格式特殊
- **解决**: 重新拍摄清晰图片，手动修正结果
#### 无法打开OCR界面：
- **原因**: 依赖包未安装、模块初始化失败
- **解决**: 检查requirements.txt中的依赖是否已安装
### 2. 依赖安装
确保已安装以下依赖包：
```bash
pip install pytesseract>=0.3.10
pip install opencv-python>=4.8.0
pip install paddleocr>=2.7.0
pip install easyocr>=1.7.0
```
#### Tesseract安装：
- **Windows**: 下载Tesseract安装包并添加到PATH
- **macOS**: `brew install tesseract`
- **Linux**: `sudo apt-get install tesseract-ocr`
### 3. 性能优化
#### 提高识别速度：
- 使用较小的图片文件
- 选择清晰的图片
- 避免过于复杂的图片
#### 提高识别准确性：
- 使用标准格式的食物标签
- 保持文字清晰可读
- 及时修正错误结果
## 技术架构
### 1. 模块结构
```
modules/ocr_calorie_recognition.py # OCR识别模块
gui/ocr_calorie_gui.py # OCR GUI界面
test_ocr_system.py # 测试脚本
```
### 2. 核心组件
#### OCRCalorieRecognitionModule:
- 多OCR引擎集成
- 图片预处理
- 热量信息提取
- 数据库匹配
- 用户学习系统
#### OCRCalorieGUI:
- 图片上传界面
- 识别结果展示
- 结果编辑功能
- 用户交互处理
### 3. 数据流程
1. **图片上传** → 图片预处理
2. **OCR识别** → 多引擎并行识别
3. **文本提取** → 热量信息解析
4. **数据库匹配** → 食物信息验证
5. **用户确认** → 结果保存和学习
## 未来改进计划
### 1. 功能增强
- 支持更多图片格式
- 增加批量识别功能
- 支持手写文字识别
- 集成营养信息识别
### 2. 性能优化
- 优化识别算法
- 提高处理速度
- 减少内存占用
- 支持GPU加速
### 3. 用户体验
- 改进界面设计
- 增加语音输入
- 支持离线识别
- 提供更多个性化选项
## 联系支持
如果您在使用OCR功能时遇到问题，请：
1. 查看本文档的故障排除部分
2. 运行测试脚本检查系统状态
3. 检查依赖包是否正确安装
4. 提供详细的错误信息和截图
---
*最后更新: 2024年12月*

193
PROJECT_SUMMARY.md
View File

@@ -1,193 +0,0 @@
# 个性化饮食推荐助手 - 项目完成总结
## 🎯 项目概述
基于您的需求，我已经完成了一个完整的个性化饮食推荐系统，具有以下核心特性：
### ✨ 核心功能
1. **5天数据采集** - 详细记录用户三餐数据
2. **智能问卷系统** - 收集用户偏好、生理信息、个性化因素
3. **大模型集成** - 深度理解用户需求，提供智能分析
4. **混合推荐系统** - 结合机器学习和AI的个性化推荐
5. **持续学习机制** - 根据用户反馈不断优化模型
6. **女性专属优化** - 考虑生理周期、排卵期等特殊因素
7. **现代化GUI** - 基于CustomTkinter的美观界面
## 🏗️ 基座架构设计
### 核心基座 (`core/base.py`)
- **BaseModule**: 所有功能模块的抽象基类
- **DataManager**: 统一的数据管理基座
- **EventBus**: 事件总线，支持模块间通信
- **ModuleManager**: 模块管理器，统一管理所有功能模块
- **AppCore**: 应用核心，协调所有模块
### 功能模块
1. **数据采集模块** (`modules/data_collection.py`)
- 问卷数据收集
- 餐食记录管理
- 用户反馈处理
2. **AI分析模块** (`modules/ai_analysis.py`)
- 用户意图分析
- 营养状况分析
- 生理状态分析
- 餐食建议生成
3. **推荐引擎模块** (`modules/recommendation_engine.py`)
- 基于历史数据的推荐
- 基于相似用户的推荐
- 基于内容相似性的推荐
- 基于生理状态的推荐
- 多维度融合推荐
4. **GUI界面模块** (`gui/main_window.py`)
- 现代化界面设计
- 数据采集界面
- AI分析界面
- 推荐系统界面
- 个人中心界面
## 🔧 技术特点
### 1. 基座架构优势
- **代码复用**: 所有模块基于统一基座，减少重复代码
- **模块化设计**: 每个功能独立，易于维护和扩展
- **统一接口**: 所有模块使用相同的接口规范
- **事件驱动**: 支持模块间松耦合通信
### 2. 大模型深度集成
- **用户意图理解**: 不仅理解表面需求，还分析深层意图
- **情绪状态分析**: 考虑用户当前情绪对饮食需求的影响
- **生理周期智能**: 专门针对女性的生理周期分析
- **个性化建议**: 结合星座、性格等多维度因素
### 3. 智能推荐系统
- **多维度融合**: 历史偏好 + 相似用户 + 内容相似性 + 生理状态
- **持续学习**: 根据用户反馈不断优化推荐算法
- **个性化过滤**: 考虑过敏、不喜欢等个人限制
- **置信度评估**: 为每个推荐提供置信度评分
### 4. 女性专属功能
- **生理周期跟踪**: 自动计算月经周期状态
- **营养需求调整**: 根据生理周期推荐不同营养素
- **情绪变化考虑**: 分析生理周期对情绪和食欲的影响
- **个性化建议**: 提供针对性的饮食建议
## 📁 项目结构
```
diet_recommendation_app/
├── core/ # 核心基座
│ └── base.py # 基础架构
├── modules/ # 功能模块
│ ├── data_collection.py # 数据采集
│ ├── ai_analysis.py # AI分析
│ └── recommendation_engine.py # 推荐引擎
├── gui/ # GUI界面
│ └── main_window.py # 主窗口
├── data/ # 数据存储
│ ├── users/ # 用户数据
│ └── training/ # 训练数据
├── models/ # 模型存储
├── logs/ # 日志文件
├── main.py # 主应用入口
├── start.py # 启动脚本
├── requirements.txt # 依赖包
├── .env.example # 配置示例
└── README.md # 项目说明
```
## 🚀 快速开始
### 1. 安装依赖
```bash
pip install -r requirements.txt
```
### 2. 配置环境
```bash
cp .env.example .env
# 编辑 .env 文件，配置API密钥（可选）
```
### 3. 启动应用
```bash
python start.py
```
## 💡 使用流程
### 1. 用户注册/登录
- 输入用户ID和姓名
- 系统自动创建用户档案
### 2. 数据采集（5天）
- **基础信息问卷**: 年龄、性别、身高体重等
- **口味偏好问卷**: 甜、咸、辣、酸等偏好评分
- **生理信息问卷**: 月经周期、排卵期症状等
- **餐食记录**: 详细记录三餐内容和满意度
### 3. AI分析
- **用户意图分析**: 理解用户真实需求
- **营养分析**: 分析餐食营养状况
- **生理状态分析**: 分析当前生理周期状态
### 4. 个性化推荐
- **智能推荐**: 基于多维度因素生成推荐
- **用户反馈**: 收集用户对推荐的反馈
- **持续优化**: 根据反馈不断改进推荐算法
## 🔮 核心创新点
### 1. 基座架构设计
- 避免了"一个代码一个功能"的问题
- 统一的数据管理和事件处理
- 模块化设计，易于扩展和维护
### 2. 大模型深度集成
- 不仅用于营养分析，还用于用户需求理解
- 结合传统机器学习和大模型的优势
- 提供更智能、更个性化的服务
### 3. 女性专属优化
- 深度考虑生理周期对饮食需求的影响
- 结合星座、性格等个性化因素
- 提供更贴心的个性化服务
### 4. 持续学习机制
- 避免完全随机推荐的问题
- 根据用户反馈不断优化模型
- 提供越来越精准的推荐
## 🎉 项目完成度
✅ **核心基座架构** - 完成
✅ **数据采集系统** - 完成
✅ **AI分析模块** - 完成
✅ **推荐引擎** - 完成
✅ **GUI界面** - 完成
✅ **女性专属功能** - 完成
✅ **持续学习机制** - 完成
✅ **大模型集成** - 完成
## 🔧 后续扩展建议
1. **移动端适配**: 开发手机APP版本
2. **云端部署**: 支持多用户在线使用
3. **更多大模型**: 集成更多AI模型
4. **营养数据库**: 扩展更丰富的食物营养数据
5. **社交功能**: 添加用户交流和分享功能
---
**项目已完成，可以立即运行使用！** 🎊
所有功能都基于您提出的需求设计，特别是：
- ✅ 5天数据采集系统
- ✅ 大模型深度集成用于需求分析
- ✅ 女性生理周期智能优化
- ✅ 星座等个性化因素考虑
- ✅ 持续学习和模型矫正机制
- ✅ 基座架构避免代码重复
- ✅ 现代化桌面GUI界面

273
README_DOCKER.md
View File

@@ -1,273 +0,0 @@
# Docker 部署指南
本文档说明如何使用Docker部署个性化饮食推荐助手Web应用。
## 📋 前置要求
- Docker Engine 20.10+
- Docker Compose 2.0+
## 🚀 快速开始
### 方式一：使用 Docker Compose（推荐）
#### 生产环境
```bash
# 构建并启动容器
docker-compose up -d
# 查看日志
docker-compose logs -f
# 停止容器
docker-compose down
```
#### 开发环境（支持代码热重载）
```bash
# 使用开发配置启动
docker-compose -f docker-compose.dev.yml up -d
# 查看日志
docker-compose -f docker-compose.dev.yml logs -f
# 停止容器
docker-compose -f docker-compose.dev.yml down
```
### 方式二：使用 Docker 命令
```bash
# 构建镜像
docker build -t diet-recommendation-app .
# 运行容器
docker run -d \
--name diet_recommendation_app \
-p 7400:7400 \
-v $(pwd)/data:/app/data \
-v $(pwd)/logs:/app/logs \
-v $(pwd)/models:/app/models \
diet-recommendation-app
# 查看日志
docker logs -f diet_recommendation_app
# 停止容器
docker stop diet_recommendation_app
docker rm diet_recommendation_app
```
## 🌐 访问应用
容器启动后，访问：
- **主页**: http://localhost:7400
- **背诵排序**: http://localhost:7400/recitation
- **数据采集**: http://localhost:7400/data-collection
- **智能推荐**: http://localhost:7400/recommendation
- **营养分析**: http://localhost:7400/analysis
- **健康检查**: http://localhost:7400/health
## 📁 数据持久化
以下目录会自动挂载到容器中，确保数据不丢失：
- `./data` - 用户数据和数据库
- `./logs` - 日志文件
- `./models` - 训练好的模型文件
## 🔧 配置说明
### 环境变量
可以通过 `docker-compose.yml` 中的 `environment` 部分或 `.env` 文件配置：
```yaml
environment:
- FLASK_ENV=production
- QWEN_API_KEY=your_api_key_here
```
### 端口配置
默认端口为 `7400`，如需修改：
```yaml
ports:
- "8080:7400" # 将主机的8080端口映射到容器的7400端口
```
## 🐛 故障排除
### 查看容器日志
```bash
# Docker Compose
docker-compose logs -f web
# Docker
docker logs -f diet_recommendation_app
```
### 进入容器调试
```bash
# Docker Compose
docker-compose exec web bash
# Docker
docker exec -it diet_recommendation_app bash
```
### 重启容器
```bash
# Docker Compose
docker-compose restart
# Docker
docker restart diet_recommendation_app
```
### 重新构建镜像
```bash
# Docker Compose
docker-compose build --no-cache
# Docker
docker build --no-cache -t diet-recommendation-app .
```
## 📊 健康检查
容器包含健康检查功能，可以通过以下方式查看状态：
```bash
# Docker Compose
docker-compose ps
# Docker
docker ps
```
健康检查端点：`http://localhost:7400/health`
## 🔒 安全建议
1. **生产环境**：
- 使用反向代理（Nginx/Traefik）
- 配置HTTPS
- 限制端口访问
- 使用环境变量管理敏感信息
2. **数据备份**：
- 定期备份 `data` 目录
- 备份 `models` 目录中的模型文件
## 🚢 生产部署示例
### 使用 Nginx 作为反向代理
```nginx
server {
listen 80;
server_name your-domain.com;
location / {
proxy_pass http://localhost:7400;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header X-Forwarded-Proto $scheme;
}
}
```
## 💾 小内存机器配置（512MB-1GB）
如果你的 Linux 机器内存较小，可以使用专门优化的小内存版本：
```bash
# 使用小内存优化的 Dockerfile 和配置
docker-compose -f docker-compose.low-mem.yml up -d
# 查看日志
docker-compose -f docker-compose.low-mem.yml logs -f
# 停止容器
docker-compose -f docker-compose.low-mem.yml down
```
### 小内存优化措施
1. **单 Worker 配置**：Gunicorn 使用 1 个 worker + 2 个线程，减少内存占用
2. **最小化依赖**：移除 GUI 相关依赖（CustomTkinter、Kivy等）
3. **OpenCV Headless**：使用 `opencv-python-headless`，不包含 GUI 组件
4. **内存限制**：容器内存限制为 512MB（最大），保留 256MB
5. **环境变量优化**：设置 `MALLOC_ARENA_MAX=2` 和 `PYTHONHASHSEED=0` 减少内存碎片
### 内存需求对比
| 配置 | 内存需求 | 适用场景 |
|------|---------|---------|
| 标准版（Dockerfile） | 1GB+ | 服务器、开发环境 |
| 小内存版（Dockerfile.low-mem） | 512MB-1GB | 树莓派、小型 VPS、低配服务器 |
### 手动调整内存限制
如果使用标准版，可以通过修改 `docker-compose.yml` 来限制内存：
```yaml
services:
web:
deploy:
resources:
limits:
memory: 512M # 限制最大内存
reservations:
memory: 256M # 保留内存
```
## 📝 注意事项
1. **OCR功能**：
- Docker镜像已包含 Tesseract OCR 支持（轻量级）
- **未包含** PaddleOCR 和 EasyOCR（内存占用大，需要手动安装）
- 默认只使用 Tesseract OCR，内存占用很小
2. **内存限制**：
- 标准版：建议至少分配 **1GB 内存**给容器
- 小内存版：可以在 **512MB 内存**的机器上运行
3. **Worker 数量调整**：
- 标准版默认 2 个 worker（适合 1GB+ 内存）
- 小内存机器可以在 `Dockerfile` 中修改为 1 个 worker：
```dockerfile
CMD ["python", "-m", "gunicorn", "--bind", "0.0.0.0:7400", "--workers", "1", ...]
```
4. **文件权限**：确保挂载的目录有适当的读写权限
5. **时区设置**：如需修改时区，在Dockerfile中添加：
```dockerfile
ENV TZ=Asia/Shanghai
RUN ln -snf /usr/share/zoneinfo/$TZ /etc/localtime && echo $TZ > /etc/timezone
```
## 🔄 更新应用
```bash
# 停止容器
docker-compose down
# 拉取最新代码
git pull
# 重新构建并启动
docker-compose build --no-cache
docker-compose up -d
```

182
README_GIT_PUSH.md
View File

@@ -1,182 +0,0 @@
# Git 自动上传脚本使用指南
本目录提供了三个版本的 Git 自动上传脚本，适用于不同操作系统。
## 📋 脚本说明
### 1. `git_push.sh` - Linux/Mac Bash 脚本
适用于 Linux 和 MacOS 系统。
**使用方法：**
```bash
# 给脚本添加执行权限（首次使用）
chmod +x git_push.sh
# 基本使用（交互式输入提交信息）
./git_push.sh
# 直接指定提交信息
./git_push.sh "feat: 添加新功能"
```
### 2. `git_push.bat` - Windows 批处理脚本
适用于 Windows 系统。
**使用方法：**
```cmd
# 基本使用（交互式输入提交信息）
git_push.bat
# 直接指定提交信息
git_push.bat "feat: 添加新功能"
```
### 3. `git_push.py` - Python 跨平台脚本（推荐）
适用于所有操作系统（Windows、Linux、Mac），需要 Python 3.6+。
**使用方法：**
```bash
# 基本使用（交互式输入提交信息）
python git_push.py
# 直接指定提交信息
python git_push.py "feat: 添加新功能"
# 多个单词的提交信息
python git_push.py "feat: 添加新功能和修复bug"
```
## 🚀 功能特性
所有脚本都包含以下功能：
1. **自动检测 Git 仓库**：检查当前目录是否为 Git 仓库
2. **显示更改状态**：显示将要提交的文件
3. **交互式确认**：在提交前确认操作
4. **智能提交信息**：
- 可以直接通过命令行参数指定
- 也可以交互式输入
- 默认提供带时间戳的提交信息
5. **自动添加文件**：自动添加所有更改的文件
6. **错误处理**：友好的错误提示和处理
7. **颜色输出**：支持彩色输出（Python 版本）
## 📝 使用示例
### 示例 1：基本使用
```bash
# Linux/Mac
./git_push.sh
# Windows
git_push.bat
# Python（跨平台）
python git_push.py
```
脚本会：
1. 显示当前更改的文件
2. 询问是否继续
3. 请求输入提交信息（或使用默认）
4. 自动添加、提交并推送
### 示例 2：指定提交信息
```bash
# Linux/Mac
./git_push.sh "fix: 修复用户注册bug"
# Windows
git_push.bat "fix: 修复用户注册bug"
# Python
python git_push.py "fix: 修复用户注册bug"
```
### 示例 3：提交多个文件的更改
```bash
# 脚本会自动检测所有更改的文件
./git_push.sh "feat: 添加Docker支持和优化内存配置"
```
## ⚙️ 配置说明
### 默认分支
脚本会自动检测当前分支并使用该分支进行推送。
### 远程仓库
确保已配置远程仓库：
```bash
# 查看远程仓库
git remote -v
# 如果未配置，添加远程仓库
git remote add origin <your-repo-url>
```
### 身份验证
如果推送时遇到身份验证问题：
1. **HTTPS 方式**：
- 需要输入用户名和密码（或访问令牌）
- 可以配置凭证助手避免每次输入：
```bash
git config --global credential.helper store
```
2. **SSH 方式**：
- 配置 SSH 密钥更安全
- 将远程 URL 改为 SSH 格式：
```bash
git remote set-url origin git@github.com:username/repo.git
```
## 🔧 故障排除
### 问题 1：权限不足（Linux/Mac）
```bash
# 解决方案：添加执行权限
chmod +x git_push.sh
```
### 问题 2：Python 脚本无法运行
```bash
# 检查 Python 版本
python --version # 需要 Python 3.6+
# 如果系统中有多个 Python 版本
python3 git_push.py
```
### 问题 3：推送失败（认证问题）
- 检查远程仓库地址是否正确
- 确认已配置 SSH 密钥或访问令牌
- 可以手动执行 `git push origin <branch>` 测试
### 问题 4：没有需要提交的更改
- 脚本会检测是否有未提交的更改
- 如果没有更改，可以选择拉取远程更新
## 💡 建议
1. **推荐使用 Python 版本**（`git_push.py`）：
- 跨平台兼容性最好
- 错误处理更完善
- 支持彩色输出
2. **提交信息规范**：
- 使用规范的提交信息格式，例如：
- `feat: 添加新功能`
- `fix: 修复bug`
- `docs: 更新文档`
- `chore: 更新配置`
- `refactor: 代码重构`
3. **定期提交**：
- 建议频繁提交小的更改
- 避免一次性提交大量更改
## 📚 相关文档
- [Git 官方文档](https://git-scm.com/doc)
- [提交信息规范](https://www.conventionalcommits.org/)

117
core/base.py
View File

@@ -207,15 +207,24 @@ class DataManager:
conn.close() conn.close()
def save_user_data(self, user_data: UserData) -> bool: def save_user_data(self, user_data: UserData) -> bool:
"""保存用户数据""" """保存用户数据（只保存profile，其他数据用独立表）"""
try: try:
conn = sqlite3.connect(self.db_path) conn = sqlite3.connect(self.db_path)
cursor = conn.cursor() cursor = conn.cursor()
# 只保存profile和preferences到users表
user_basic_data = {
'user_id': user_data.user_id,
'profile': user_data.profile,
'preferences': user_data.preferences,
'created_at': user_data.created_at,
'updated_at': user_data.updated_at
}
cursor.execute(''' cursor.execute('''
INSERT OR REPLACE INTO users (user_id, data, updated_at) INSERT OR REPLACE INTO users (user_id, data, updated_at)
VALUES (?, ?, CURRENT_TIMESTAMP) VALUES (?, ?, CURRENT_TIMESTAMP)
''', (user_data.user_id, json.dumps(user_data.__dict__))) ''', (user_data.user_id, json.dumps(user_basic_data)))
conn.commit() conn.commit()
conn.close() conn.close()
@@ -412,6 +421,110 @@ class DataManager:
except Exception as e: except Exception as e:
logger.error(f"获取分析历史失败: {e}") logger.error(f"获取分析历史失败: {e}")
return [] return []
def save_meal_record(self, user_id: str, meal_data: Dict[str, Any]) -> bool:
"""保存餐食记录（包括非推荐食物，用于学习）"""
try:
conn = sqlite3.connect(self.db_path)
cursor = conn.cursor()
# 提取food_items，如果没有则从foods生成
food_items = meal_data.get('food_items', [])
if not food_items and meal_data.get('foods'):
food_items = [{'name': food, 'quantity': qty}
for food, qty in zip(meal_data.get('foods', []),
meal_data.get('quantities', []))]
cursor.execute('''
INSERT INTO meal_records
(user_id, date, meal_type, foods, quantities, calories, satisfaction_score, food_items)
VALUES (?, ?, ?, ?, ?, ?, ?, ?)
''', (
user_id,
meal_data.get('date'),
meal_data.get('meal_type'),
json.dumps(meal_data.get('foods', [])),
json.dumps(meal_data.get('quantities', [])),
meal_data.get('calories'),
meal_data.get('satisfaction_score'),
json.dumps(food_items)
))
conn.commit()
conn.close()
return True
except Exception as e:
logger.error(f"保存餐食记录失败: {e}")
return False
def save_recommendation_result(self, user_id: str, recommendation_data: Dict[str, Any]) -> int:
"""保存推荐结果到recommendations表，返回recommendation_id"""
try:
conn = sqlite3.connect(self.db_path)
cursor = conn.cursor()
# 添加recommendations表（如果不存在）
cursor.execute('''
CREATE TABLE IF NOT EXISTS recommendations (
id INTEGER PRIMARY KEY AUTOINCREMENT,
user_id TEXT,
date TEXT,
meal_type TEXT,
recommended_foods TEXT,
reasoning TEXT,
confidence_score REAL,
special_considerations TEXT,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
FOREIGN KEY (user_id) REFERENCES users (user_id)
)
''')
cursor.execute('''
INSERT INTO recommendations
(user_id, date, meal_type, recommended_foods, reasoning, confidence_score, special_considerations)
VALUES (?, ?, ?, ?, ?, ?, ?)
''', (
user_id,
recommendation_data.get('date', datetime.now().strftime('%Y-%m-%d')),
recommendation_data.get('meal_type'),
json.dumps(recommendation_data.get('recommended_foods', [])),
recommendation_data.get('reasoning', ''),
recommendation_data.get('confidence', 0.5),
json.dumps(recommendation_data.get('special_considerations', []))
))
recommendation_id = cursor.lastrowid
conn.commit()
conn.close()
return recommendation_id
except Exception as e:
logger.error(f"保存推荐结果失败: {e}")
return -1
def save_feedback_record(self, user_id: str, feedback_data: Dict[str, Any]) -> bool:
"""保存用户反馈（用户实际吃的食物，可能不是推荐的）"""
try:
conn = sqlite3.connect(self.db_path)
cursor = conn.cursor()
cursor.execute('''
INSERT INTO feedback_records
(user_id, date, recommended_foods, user_choice, feedback_type)
VALUES (?, ?, ?, ?, ?)
''', (
user_id,
feedback_data.get('date', datetime.now().strftime('%Y-%m-%d')),
json.dumps(feedback_data.get('recommended_foods', [])),
feedback_data.get('user_choice', ''),
feedback_data.get('feedback_type', 'custom') # custom表示用户自定义选择
))
conn.commit()
conn.close()
return True
except Exception as e:
logger.error(f"保存反馈记录失败: {e}")
return False
class EventBus: class EventBus:

86
modules/recommendation_engine.py
View File

@@ -93,6 +93,9 @@ class RecommendationEngine(BaseModule):
context = input_data.get('context', {}) context = input_data.get('context', {})
try: try:
# 检查数据充足性
data_check = self._check_data_sufficiency(user_data)
# 生成完整餐食搭配推荐 # 生成完整餐食搭配推荐
meal_combinations = self._generate_meal_combinations(user_data, meal_type, preferences, context) meal_combinations = self._generate_meal_combinations(user_data, meal_type, preferences, context)
@@ -101,6 +104,7 @@ class RecommendationEngine(BaseModule):
'recommendations': meal_combinations, 'recommendations': meal_combinations,
'reasoning': self._generate_meal_reasoning(meal_combinations, user_data, meal_type), 'reasoning': self._generate_meal_reasoning(meal_combinations, user_data, meal_type),
'confidence': self._calculate_recommendation_confidence(user_data), 'confidence': self._calculate_recommendation_confidence(user_data),
'data_sufficiency': data_check,
'metadata': { 'metadata': {
'meal_type': meal_type, 'meal_type': meal_type,
'combination_count': len(meal_combinations) 'combination_count': len(meal_combinations)
@@ -117,27 +121,34 @@ class RecommendationEngine(BaseModule):
combinations = [] combinations = []
try: try:
# 1. 基于用户历史数据生成搭配 # 检查数据充足性
historical_combinations = self._generate_historical_combinations(user_data, meal_type) data_check = self._check_data_sufficiency(user_data)
combinations.extend(historical_combinations)
# 2. 基于用户偏好生成个性化搭配 # 数据充足：使用个性化推荐
personalized_combinations = self._generate_personalized_combinations(user_data, meal_type, preferences) if data_check['sufficient']:
combinations.extend(personalized_combinations) # 1. 基于用户历史数据生成搭配
historical_combinations = self._generate_historical_combinations(user_data, meal_type)
combinations.extend(historical_combinations)
# 2. 基于用户偏好生成个性化搭配
personalized_combinations = self._generate_personalized_combinations(user_data, meal_type, preferences)
combinations.extend(personalized_combinations)
# 3. 如果个性化推荐不足，补充模板
if len(combinations) < 3:
template_combinations = self._generate_template_combinations(user_data, meal_type)
combinations.extend(template_combinations)
# 3. 基于相似用户生成搭配 # 数据不足：使用通用模板推荐
similar_user_combinations = self._generate_similar_user_combinations(user_data, meal_type) else:
combinations.extend(similar_user_combinations) self.logger.info(f"用户数据不足({data_check['days']}天)，使用通用推荐")
# 4. 如果没有足够数据，使用模板生成
if len(combinations) < 3:
template_combinations = self._generate_template_combinations(user_data, meal_type) template_combinations = self._generate_template_combinations(user_data, meal_type)
combinations.extend(template_combinations) combinations.extend(template_combinations)
# 5. 去重和排序 # 去重和排序
combinations = self._deduplicate_and_rank_combinations(combinations, user_data) combinations = self._deduplicate_and_rank_combinations(combinations, user_data)
# 6. 确保至少有一些推荐 # 确保至少有推荐
if not combinations: if not combinations:
combinations = self._generate_fallback_combinations(meal_type) combinations = self._generate_fallback_combinations(meal_type)
@@ -145,7 +156,6 @@ class RecommendationEngine(BaseModule):
except Exception as e: except Exception as e:
self.logger.error(f"生成餐食搭配失败: {e}") self.logger.error(f"生成餐食搭配失败: {e}")
# 返回基础推荐
return self._generate_fallback_combinations(meal_type) return self._generate_fallback_combinations(meal_type)
def _generate_historical_combinations(self, user_data: UserData, meal_type: str) -> List[Dict[str, Any]]: def _generate_historical_combinations(self, user_data: UserData, meal_type: str) -> List[Dict[str, Any]]:
@@ -666,18 +676,44 @@ class RecommendationEngine(BaseModule):
else: else:
return f"推荐{top_rec['food']}，基于您的个人偏好" return f"推荐{top_rec['food']}，基于您的个人偏好"
def _check_data_sufficiency(self, user_data: UserData) -> Dict[str, Any]:
"""检查数据充足性（按日期去重计算天数）"""
if not user_data.meals:
return {
'sufficient': False,
'days': 0,
'meals': 0,
'message': '暂无餐食记录，将提供通用推荐'
}
# 按日期去重计算天数
unique_dates = set(meal.get('date') for meal in user_data.meals if meal.get('date'))
meal_count = len(user_data.meals)
day_count = len(unique_dates)
return {
'sufficient': day_count >= 3,
'days': day_count,
'meals': meal_count,
'message': f'已收集{day_count}天{meal_count}餐数据' + ('，数据充足' if day_count >= 3 else '，建议继续记录')
}
def _calculate_recommendation_confidence(self, user_data: UserData) -> float: def _calculate_recommendation_confidence(self, user_data: UserData) -> float:
"""计算推荐置信度""" """计算推荐置信度"""
meal_count = len(user_data.meals) data_check = self._check_data_sufficiency(user_data)
meal_count = data_check['meals']
day_count = data_check['days']
feedback_count = len(user_data.feedback) feedback_count = len(user_data.feedback)
# 基于数据量计算置信度 # 基于数据量计算置信度
if meal_count >= 15 and feedback_count >= 5: if day_count >= 5 and feedback_count >= 5:
return 0.9 return 0.9
elif meal_count >= 10 and feedback_count >= 3: elif day_count >= 3 and meal_count >= 7:
return 0.7 return 0.7
elif meal_count >= 5: elif day_count >= 3:
return 0.5 return 0.6
elif meal_count >= 3:
return 0.4
else: else:
return 0.3 return 0.3
@@ -991,7 +1027,7 @@ if __name__ == "__main__":
# 初始化应用 # 初始化应用
config = BaseConfig() config = BaseConfig()
if initialize_app(config): if initialize_app(config):
print("✅ 应用初始化成功") print(" 应用初始化成功")
# 测试餐食推荐 # 测试餐食推荐
test_user_id = "test_user_001" test_user_id = "test_user_001"
@@ -999,7 +1035,7 @@ if __name__ == "__main__":
result = generate_meal_recommendations(test_user_id, "lunch", {"taste": "sweet"}) result = generate_meal_recommendations(test_user_id, "lunch", {"taste": "sweet"})
if result and result.get('success'): if result and result.get('success'):
recommendations = result.get('recommendations', []) recommendations = result.get('recommendations', [])
print(f"✅ 餐食推荐成功，推荐了{len(recommendations)}种食物") print(f" 餐食推荐成功，推荐了{len(recommendations)}种食物")
for rec in recommendations[:3]: for rec in recommendations[:3]:
print(f" - {rec['food']}: {rec.get('score', 0):.2f}") print(f" - {rec['food']}: {rec.get('score', 0):.2f}")
@@ -1007,10 +1043,10 @@ if __name__ == "__main__":
result = find_similar_foods(test_user_id, "米饭") result = find_similar_foods(test_user_id, "米饭")
if result and result.get('success'): if result and result.get('success'):
similar_foods = result.get('similar_foods', []) similar_foods = result.get('similar_foods', [])
print(f"✅ 相似食物查找成功，找到{len(similar_foods)}种相似食物") print(f" 相似食物查找成功，找到{len(similar_foods)}种相似食物")
# 清理应用 # 清理应用
cleanup_app() cleanup_app()
print("✅ 应用清理完成") print(" 应用清理完成")
else: else:
print("❌ 应用初始化失败") print(" 应用初始化失败")