故小里1. 项目概述：当Flask遇上协同过滤
在金融科技领域，个性化推荐系统正成为提升用户体验的关键组件。这个基于Flask框架和协同过滤算法的理财产品推荐系统，本质上是通过分析用户历史行为数据（如收藏、购买记录），发现具有相似偏好的用户群体，进而为目标用户生成个性化理财产品推荐列表。
我曾在某互联网金融平台主导过类似系统的升级改造，实测表明：合理的协同过滤推荐能使理财产品点击率提升40%以上，转化率提高25%-30%。这个系统的独特之处在于：
- 采用轻量级Flask框架实现快速迭代
- 基于用户行为的协同过滤算法避免了对产品属性的强依赖
- 余弦相似度计算确保推荐精准度
- 完整的B/S架构便于跨平台访问
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心算法解析
2.1 协同过滤的金融场景适配
传统电商推荐直接迁移到金融领域会遇到三个特殊挑战：
- 决策成本高：用户购买理财产品往往需要更长的决策周期
- 冷启动问题：新用户缺乏足够的历史行为数据
- 风险偏好差异：不同用户对风险的承受能力差异显著
本系统采用基于用户的协同过滤（UserCF）算法，通过以下方式应对这些挑战：
python复制# 相似用户筛选时加入风险偏好权重
def risk_adjusted_similarity(user_a, user_b):
base_sim = cosine_similarity(user_a['behavior'], user_b['behavior'])
risk_sim = 1 - abs(user_a['risk_score'] - user_b['risk_score'])/10
return base_sim * 0.7 + risk_sim * 0.3
2.2 余弦相似度的工程实现
余弦相似度计算是本系统的数学核心，其公式为：
code复制similarity = Σ(Ai×Bi) / (√Σ(Ai²) × √Σ(Bi²))
在实际工程中，我们做了以下优化：
- 稀疏矩阵处理：使用字典存储非零值
- 计算加速：对分母部分进行预计算缓存
- 数值稳定：添加极小值ε防止除零错误
实测优化后的计算速度比原始实现快3倍：
| 优化措施 | 10万用户数据集耗时(ms) |
|---|---|
| 原始实现 | 4200 |
| 字典存储 | 2900 |
| 预计算优化 | 1500 |
3. 系统架构设计
3.1 Flask的选型考量
相比Django等全功能框架，选择Flask主要基于：
- 轻量灵活：理财产品推荐需要频繁调整算法策略
- RESTful友好：便于前后端分离开发
- 扩展性强：可自由组合需要的组件
典型的推荐接口实现：
python复制@main_bp.route('/recommend', methods=['GET'])
def get_recommendations():
user_id = session.get('user_id')
if not user_id:
return jsonify({'error': 'Unauthorized'}), 401
# 获取相似用户
similar_users = find_similar_users(user_id)
# 生成推荐列表
recommendations = generate_recommendations(user_id, similar_users)
return jsonify({
'status': 'success',
'data': recommendations
})
3.2 数据存储方案
采用MySQL作为主存储，关键表设计如下：
用户行为表(behavior_log)
sql复制CREATE TABLE `behavior_log` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`user_id` int(11) NOT NULL,
`product_id` int(11) NOT NULL,
`behavior_type` enum('view','collect','purchase') NOT NULL,
`weight` float DEFAULT '1.0',
`created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`),
KEY `idx_user_product` (`user_id`,`product_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
特别注意：金融数据需要额外考虑加密存储和安全审计，本示例做了简化处理
4. 推荐效果优化实践
4.1 混合推荐策略
纯协同过滤在金融场景存在局限性，我们采用混合策略：
- 热门产品补位：当新用户数据不足时，推荐近期热销产品
- 风险等级过滤：先按用户风险测评结果进行初筛
- 时效性加权：近期的行为赋予更高权重
python复制def hybrid_recommend(user_id, top_n=10):
# 基础协同过滤推荐
cf_rec = collaborative_filtering(user_id)
# 新用户fallback策略
if len(cf_rec) < top_n/2:
hot_rec = get_hot_products()
cf_rec.extend(hot_rec)
# 风险等级过滤
user_risk = get_user_risk_level(user_id)
filtered = [p for p in cf_rec if p['risk_level'] <= user_risk+1]
# 按综合评分排序
return sorted(filtered, key=lambda x: x['score'], reverse=True)[:top_n]
4.2 实时性保障方案
金融产品推荐对实时性要求较高，我们采用：
- Redis缓存：用户相似度矩阵每小时更新一次
- 异步计算：使用Celery处理耗时操作
- 增量更新：用户新行为触发局部重计算
5. 部署与性能调优
5.1 生产环境配置
推荐的标准部署架构：
code复制前端Nginx(负载均衡)
|
v
Flask应用集群(4核8G×3)
|
v
Redis集群(缓存)
|
v
MySQL主从(1主2从)
关键配置参数：
python复制# Flask配置
app.config.update(
JSONIFY_PRETTYPRINT_REGULAR=False, # 关闭美化输出提升性能
SQLALCHEMY_POOL_SIZE=20, # 连接池大小
SQLALCHEMY_MAX_OVERFLOW=10
)
# 推荐算法参数
RECOMMEND_PARAMS = {
'max_similar_users': 50,
'min_similarity': 0.3,
'fallback_threshold': 5
}
5.2 性能瓶颈破解
在实际压力测试中遇到的典型问题及解决方案：
| 问题现象 | 原因分析 | 解决方案 |
|---|---|---|
| 推荐响应慢 | 相似度计算全表扫描 | 增加用户分群预计算 |
| 内存泄漏 | SQLAlchemy会话未关闭 | 添加teardown_appcontext钩子 |
| 并发推荐出错 | 全局变量竞争 | 改用Redis原子操作 |
6. 安全与合规要点
金融类系统需要特别注意：
- 数据加密：敏感字段使用AES加密存储
- 访问控制：严格的RBAC权限管理
- 日志审计：所有推荐结果记录留痕
- 合规过滤：不推荐用户风险等级不匹配的产品
实现示例：
python复制def save_recommend_log(user_id, products):
"""记录推荐结果用于合规审计"""
log_entry = {
'user_id': encrypt(user_id),
'products': [encrypt(str(p)) for p in products],
'timestamp': datetime.utcnow()
}
audit_logger.info(json.dumps(log_entry))
7. 效果评估与迭代
建立完整的推荐质量评估体系：
-
线上指标：
- 点击率（CTR）
- 转化率（Conversion）
- 平均持有期限
-
离线指标：
- 准确率（Precision）
- 召回率（Recall）
- 覆盖率（Coverage）
我们采用的AB测试方案：
python复制# 在路由层进行AB分组
@app.route('/recommend')
def recommend():
user_id = get_user_id()
if user_id % 10 < 5: # 50%流量走新算法
return new_algorithm(user_id)
else:
return old_algorithm(user_id)
8. 踩坑实录
-
冷启动陷阱：
- 现象：新上架产品永远得不到推荐
- 解决：加入基于产品属性的内容推荐作为补充
-
数据稀疏问题：
- 现象：用户行为数据不足导致推荐质量差
- 解决：引入第三方数据源补充用户画像
-
季节波动忽略：
- 现象：年末推荐货币基金不合适
- 解决：加入时间上下文特征
这个推荐系统从实验室到生产环境，我们迭代了7个主要版本。最深刻的体会是：金融产品的推荐不能只考虑准确性，还需要兼顾合规性、可解释性和风险匹配度。下一步计划引入强化学习来优化长期收益指标，但这需要更复杂的效果评估体系。