这是一套具备工业级设计思路的完整Web应用系统，核心解决“信息过载”与“推荐冷启动”问题。系统采用“离线预计算 + 在线轻量查询”的架构，在保证推荐精度的同时，将核心接口响应时间控制在200ms~450ms，兼顾了算法效果与工程可用性。
技术栈与架构：
后端： Django 6.0 + Django REST Framework（构建RESTful API），JWT实现无状态身份认证。
前端： Vue 3 + Element Plus + Vite（SPA单页应用），ECharts实现管理后台数据可视化看板。
数据层： MySQL 8.0（持久化存储）+ Redis（缓存高频推荐结果与热点数据）。
算法层： Python + Pandas + Scikit-learn（数据清洗、相似度计算、矩阵运算），算法模块与后端同语言，无需跨服务调用，降低系统复杂度。
核心算法与业务创新：
摒弃单一推荐算法的局限性，设计了三路加权融合的混合推荐引擎：
基于用户的协同过滤（User-CF） ——挖掘相似兴趣邻居，拓宽推荐视野。
基于物品的协同过滤（Item-CF） ——利用图书共现关系，增强推荐可解释性。
基于内容特征的推荐（Content-based） ——融合图书标签、出版年份、评分统计等元数据，缓解新书/新用户冷启动问题。
系统功能模块：
用户端： 注册登录、图书分类浏览/搜索、个性化推荐首页（“为你推荐”）、图书详情页（评分/收藏/想读/评论）、个人中心（行为汇总与偏好分析）。
管理端： 基于ECharts的数据看板（用户增长、图书分类占比、活跃时段分布）、用户/图书/评论的增删改查、多级分类动态关联。
行为采集： 显式评分与隐式反馈（浏览、收藏、想读）统一记录，为推荐模型持续提供数据燃料。
工程亮点与性能：
前后端完全分离，代码高内聚低耦合，易于维护与二次开发。
推荐结果离线预计算并缓存至Redis，在线请求直接查表返回，避免实时矩阵运算带来的性能瓶颈。
个人角色与贡献： 独立完成从需求分析、数据建模、算法设计、前后端开发到部署测试的全流程，具备全栈开发能力与推荐系统落地经验。