          文章结尾部分有CSDN官方提供的学长 联系方式名片文章结尾部分有CSDN官方提供的学长 联系方式名片关注B站，有好处！

编号： F061

大模型诗词推荐与可视化系统

在传统文化数字化的浪潮下，我开发了这款诗歌问答大数据平台，旨在通过现代技术赋能古典诗词学习与传播。平台不仅实现了诗词数据的系统化管理，更融合了AI推荐、可视化分析等智能化功能。本文将重点介绍平台的核心功能模块，分享技术实现思路与功能亮点。

技术架构

vue+flask+mysql+llm

功能说明

在这里插入图片描述

功能介绍

1.推荐功能：混合推荐算法【基于内容的推荐+协同过滤+冷启动】
协同过滤：结合用户点赞行为，挖掘兴趣相似用户群体的偏好；
算法说明：该推荐算法位于poem_route.py文件的get_recommendations函数中，采用混合推荐策略实现诗歌个性化推荐。算法通过HTTP GET请求接收用户ID（user_id）和推荐数量（top_n）两个核心参数，其中top_n参数设置了默认值9，支持动态调整推荐结果数量。

算法核心逻辑调用了hybrid_recommend函数，该混合推荐机制可能融合了协同过滤与基于内容的推荐方法：通过用户历史行为数据（如like_poem记录的点赞行为）构建用户兴趣模型，同时结合诗歌文本特征（标题、作者、内容）进行相似度计算。

系统实现了完整的推荐生命周期管理：首先验证用户ID的有效性，调用推荐函数生成诗歌ID列表，再通过ORM查询获取诗歌详细信息，最终通过make_response格式化JSON响应。算法具备良好的扩展性，支持通过调整top_n参数控制推荐列表长度，通过poem_schema序列化器灵活配置返回字段。

在异常处理方面，算法通过try-except块捕获潜在错误，确保服务稳定性。该推荐系统适用于诗歌类内容平台，能够基于用户偏好提供个性化阅读推荐，提升用户粘性和内容发现效率。
在这里插入图片描述

def hybrid_recommend(user_id, top_n=10):"""混合推荐函数，结合基于内容的推荐、协同过滤推荐和热门推荐。:param user_id: 用户的 ID，用于获取用户的点赞记录。:param top_n: 推荐的诗歌数量，默认为 10。:return: 推荐的诗歌 ID 列表。"""# 获取指定用户的点赞记录，仅提取诗歌 IDuser_likes = UserLike.query.filter_by(user_id=user_id).with_entities(UserLike.poem_id).all()# 将查询结果转换为包含诗歌 ID 的列表user_likes = [like.poem_id for like in user_likes]# 若用户没有点赞记录，调用热门推荐函数，返回热门诗歌的 ID 列表# 打印联合推荐结果# 合并基于内容和协同过滤的推荐结果，去除重复项，并截取前 top_n 个# 调用协同过滤推荐函数，获取推荐的诗歌 ID 列表# 若用户有点赞记录，调用基于内容的推荐函数，获取推荐的诗歌 ID 列表# 检查用户是否有点赞记录# 打印调试信息，可注释掉这行以避免输出过多信息# 调用 extract_features 函数，提取所有诗歌的 ID、文本特征和类别特征poem_ids, text_features, category_features = extract_features()# print(poem_ids, text_features, category_features)if user_likes:content_based_rec = content_based_recommend(user_likes, poem_ids, text_features, category_features, top_n)collaborative_rec = collaborative_filtering_recommend(user_id, top_n)combined_rec = list(set(content_based_rec + collaborative_rec))[:top_n]print('联合推荐:', combined_rec)return combined_recelse:return popular_recommend(top_n)

2.喜欢功能：这个和结合推荐一起用的，可以点击喜欢诗词点赞/取消点赞
用户可对喜爱的诗词进行点赞/取消点赞，操作数据实时反馈至推荐引擎；
在这里插入图片描述

3.智能写诗：基于硅基流动的模型接口实现对话写诗
对接硅基流动模型接口，实现自然语言对话式写诗。
在这里插入图片描述

在这里插入图片描述

def chat_with_siliconflow(messages, model="Qwen/Qwen3-32B"):"""使用硅基流动的Qwen3模型生成回答"""headers = {"Authorization": f"Bearer {OPENAI_API_KEY}","Content-Type": "application/json"}# 构建提示词prompt = f"""你是一个写诗专家，请完成用户的需求：{messages}。"""payload = {"model": model,"messages": [{"role": "system", "content": "你是一个写诗专家，请完成用户的需求。"},{"role": "user", "content": prompt}],"max_tokens": 512,"temperature": 0.7,"top_p": 0.9}try:response = requests.post(f"https://api.siliconflow.cn/v1/chat/completions",headers=headers,data=json.dumps(payload),timeout=60)if response.status_code == 200:data = response.json()return data["choices"][0]["message"]["content"].strip()else:logger.error(f"API请求失败: {response.status_code} - {response.text}")return "抱歉，暂时无法回答这个问题，请稍后再试。"except requests.exceptions.RequestException as e:logger.error(f"API请求异常: {e}")return "抱歉，暂时无法回答这个问题，请稍后再试。"