Aurora
Python开发
个人开发者（学生） · 1年经验
日薪：
￥500/8h
地点：
合肥 全区
时间：
下班后周六周日可工作日远程可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
我主要掌握Python、C++、Java三门编程语言，能够根据项目需求选择合适的语言进行开发。
Python方面：熟悉Python基础语法和面向对象编程，能够使用requests、BeautifulSoup等库编写简单的网络爬虫，了解Flask轻量级框架，能够搭建基本的Web应用。熟悉Python操作Excel、Word等办公文档的自动化处理，能够编写实用脚本提升工作效率。
C++方面：掌握C++基础语法、指针、引用和内存管理基础，了解STL标准模板库（如vector、map等容器），能够编写基础的数据结构和算法程序，有控制台小项目的开发经验。
Java方面：熟悉Java基础语法和面向对象思想，了解集合框架和异常处理机制，能够编写简单的Java SE应用。
数据库方面：了解MySQL关系型数据库，掌握基础的SQL增删改查操作，能够使用Python连接MySQL进行数据存取。
工具方面：熟悉使用Git进行代码版本管理，能够使用GitHub托管代码；熟悉VSCode、PyCharm等开发工具；了解Markdown写作，能够编写清晰的文档。
Python方面：熟悉Python基础语法和面向对象编程，能够使用requests、BeautifulSoup等库编写简单的网络爬虫，了解Flask轻量级框架，能够搭建基本的Web应用。熟悉Python操作Excel、Word等办公文档的自动化处理，能够编写实用脚本提升工作效率。
C++方面：掌握C++基础语法、指针、引用和内存管理基础，了解STL标准模板库（如vector、map等容器），能够编写基础的数据结构和算法程序，有控制台小项目的开发经验。
Java方面：熟悉Java基础语法和面向对象思想，了解集合框架和异常处理机制，能够编写简单的Java SE应用。
数据库方面：了解MySQL关系型数据库，掌握基础的SQL增删改查操作，能够使用Python连接MySQL进行数据存取。
工具方面：熟悉使用Git进行代码版本管理，能够使用GitHub托管代码；熟悉VSCode、PyCharm等开发工具；了解Markdown写作，能够编写清晰的文档。
项目经验
项目名称
FilmMind · 电影嗅觉引擎 —— 基于多维度偏好建模的个性化电影推荐与探索平台
技术栈
数据层：Python（requests + BeautifulSoup + Selenium）爬虫（豆瓣/TMDb），pandas/numpy 数据清洗与特征工程
算法层：基于内容的推荐（TF-IDF + 余弦相似度）+ 简单协同过滤（Pearson相关系数），实现混合推荐
后端：Flask（RESTful API） + MySQL（用户数据、电影特征）
前端：Vue.js + ECharts（数据可视化） + Bootstrap（响应式）
部署：腾讯云轻量服务器 + Nginx + uWSGI + Docker
工具：Git + Jupyter Notebook
创新点
1. 多维偏好建模：不只依赖评分，还融入用户对“导演、演员、类型、年代、国家”的隐性偏好，通过TF-IDF构建电影特征向量，计算语义相似度。
2. 实时数据融合：爬取豆瓣/TMDb最新电影信息及影评摘要，结合情感分析（简单TextBlob）提取影评情感倾向，推荐更“有温度”的电影。
3. 兴趣可视化：用ECharts生成用户偏好雷达图、电影相似度网络图，让推荐结果“看得见”。
4. 冷启动解决方案：新用户可通过“电影基因测试”（选择几部喜欢的电影）快速建立初始偏好模型。
核心功能模块
数据爬虫模块：定时爬取豆瓣/TMDb电影信息（标题、导演、演员、类型、简介、评分、影评），存储至MySQL，每日更新。
偏好建模引擎：用户注册后，可对看过的电影评分，系统自动计算用户特征向量；新用户通过“偏好测试”选择喜欢的电影，系统基于内容推荐生成初始推荐。
混合推荐算法：
基于内容的推荐：计算用户特征向量与电影特征向量的余弦相似度。
协同过滤：寻找相似用户，推荐他们喜欢的电影（Pearson相关系数）。
加权融合，动态调整权重。
智能探索页面：推荐结果按“高匹配度”、“热门新片”、“小众佳作”分类展示，每个电影附带“匹配理由”和影评情感摘要。
兴趣可视化面板：展示你的偏好雷达图（导演、类型、年代分布）、电影词云、推荐电影网络图。
反馈优化：用户对推荐结果点赞/点踩，实时更新模型。
FilmMind · 电影嗅觉引擎 —— 基于多维度偏好建模的个性化电影推荐与探索平台
技术栈
数据层：Python（requests + BeautifulSoup + Selenium）爬虫（豆瓣/TMDb），pandas/numpy 数据清洗与特征工程
算法层：基于内容的推荐（TF-IDF + 余弦相似度）+ 简单协同过滤（Pearson相关系数），实现混合推荐
后端：Flask（RESTful API） + MySQL（用户数据、电影特征）
前端：Vue.js + ECharts（数据可视化） + Bootstrap（响应式）
部署：腾讯云轻量服务器 + Nginx + uWSGI + Docker
工具：Git + Jupyter Notebook
创新点
1. 多维偏好建模：不只依赖评分，还融入用户对“导演、演员、类型、年代、国家”的隐性偏好，通过TF-IDF构建电影特征向量，计算语义相似度。
2. 实时数据融合：爬取豆瓣/TMDb最新电影信息及影评摘要，结合情感分析（简单TextBlob）提取影评情感倾向，推荐更“有温度”的电影。
3. 兴趣可视化：用ECharts生成用户偏好雷达图、电影相似度网络图，让推荐结果“看得见”。
4. 冷启动解决方案：新用户可通过“电影基因测试”（选择几部喜欢的电影）快速建立初始偏好模型。
核心功能模块
数据爬虫模块：定时爬取豆瓣/TMDb电影信息（标题、导演、演员、类型、简介、评分、影评），存储至MySQL，每日更新。
偏好建模引擎：用户注册后，可对看过的电影评分，系统自动计算用户特征向量；新用户通过“偏好测试”选择喜欢的电影，系统基于内容推荐生成初始推荐。
混合推荐算法：
基于内容的推荐：计算用户特征向量与电影特征向量的余弦相似度。
协同过滤：寻找相似用户，推荐他们喜欢的电影（Pearson相关系数）。
加权融合，动态调整权重。
智能探索页面：推荐结果按“高匹配度”、“热门新片”、“小众佳作”分类展示，每个电影附带“匹配理由”和影评情感摘要。
兴趣可视化面板：展示你的偏好雷达图（导演、类型、年代分布）、电影词云、推荐电影网络图。
反馈优化：用户对推荐结果点赞/点踩，实时更新模型。
Aurora
Python开发 · 1年经验 · 个人开发者（学生）
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
我主要掌握Python、C++、Java三门编程语言，能够根据项目需求选择合适的语言进行开发。
Python方面：熟悉Python基础语法和面向对象编程，能够使用requests、BeautifulSoup等库编写简单的网络爬虫，了解Flask轻量级框架，能够搭建基本的Web应用。熟悉Python操作Excel、Word等办公文档的自动化处理，能够编写实用脚本提升工作效率。
C++方面：掌握C++基础语法、指针、引用和内存管理基础，了解STL标准模板库（如vector、map等容器），能够编写基础的数据结构和算法程序，有控制台小项目的开发经验。
Java方面：熟悉Java基础语法和面向对象思想，了解集合框架和异常处理机制，能够编写简单的Java SE应用。
数据库方面：了解MySQL关系型数据库，掌握基础的SQL增删改查操作，能够使用Python连接MySQL进行数据存取。
工具方面：熟悉使用Git进行代码版本管理，能够使用GitHub托管代码；熟悉VSCode、PyCharm等开发工具；了解Markdown写作，能够编写清晰的文档。
Python方面：熟悉Python基础语法和面向对象编程，能够使用requests、BeautifulSoup等库编写简单的网络爬虫，了解Flask轻量级框架，能够搭建基本的Web应用。熟悉Python操作Excel、Word等办公文档的自动化处理，能够编写实用脚本提升工作效率。
C++方面：掌握C++基础语法、指针、引用和内存管理基础，了解STL标准模板库（如vector、map等容器），能够编写基础的数据结构和算法程序，有控制台小项目的开发经验。
Java方面：熟悉Java基础语法和面向对象思想，了解集合框架和异常处理机制，能够编写简单的Java SE应用。
数据库方面：了解MySQL关系型数据库，掌握基础的SQL增删改查操作，能够使用Python连接MySQL进行数据存取。
工具方面：熟悉使用Git进行代码版本管理，能够使用GitHub托管代码；熟悉VSCode、PyCharm等开发工具；了解Markdown写作，能够编写清晰的文档。
项目经验
项目名称
FilmMind · 电影嗅觉引擎 —— 基于多维度偏好建模的个性化电影推荐与探索平台
技术栈
数据层：Python（requests + BeautifulSoup + Selenium）爬虫（豆瓣/TMDb），pandas/numpy 数据清洗与特征工程
算法层：基于内容的推荐（TF-IDF + 余弦相似度）+ 简单协同过滤（Pearson相关系数），实现混合推荐
后端：Flask（RESTful API） + MySQL（用户数据、电影特征）
前端：Vue.js + ECharts（数据可视化） + Bootstrap（响应式）
部署：腾讯云轻量服务器 + Nginx + uWSGI + Docker
工具：Git + Jupyter Notebook
创新点
1. 多维偏好建模：不只依赖评分，还融入用户对“导演、演员、类型、年代、国家”的隐性偏好，通过TF-IDF构建电影特征向量，计算语义相似度。
2. 实时数据融合：爬取豆瓣/TMDb最新电影信息及影评摘要，结合情感分析（简单TextBlob）提取影评情感倾向，推荐更“有温度”的电影。
3. 兴趣可视化：用ECharts生成用户偏好雷达图、电影相似度网络图，让推荐结果“看得见”。
4. 冷启动解决方案：新用户可通过“电影基因测试”（选择几部喜欢的电影）快速建立初始偏好模型。
核心功能模块
数据爬虫模块：定时爬取豆瓣/TMDb电影信息（标题、导演、演员、类型、简介、评分、影评），存储至MySQL，每日更新。
偏好建模引擎：用户注册后，可对看过的电影评分，系统自动计算用户特征向量；新用户通过“偏好测试”选择喜欢的电影，系统基于内容推荐生成初始推荐。
混合推荐算法：
基于内容的推荐：计算用户特征向量与电影特征向量的余弦相似度。
协同过滤：寻找相似用户，推荐他们喜欢的电影（Pearson相关系数）。
加权融合，动态调整权重。
智能探索页面：推荐结果按“高匹配度”、“热门新片”、“小众佳作”分类展示，每个电影附带“匹配理由”和影评情感摘要。
兴趣可视化面板：展示你的偏好雷达图（导演、类型、年代分布）、电影词云、推荐电影网络图。
反馈优化：用户对推荐结果点赞/点踩，实时更新模型。
FilmMind · 电影嗅觉引擎 —— 基于多维度偏好建模的个性化电影推荐与探索平台
技术栈
数据层：Python（requests + BeautifulSoup + Selenium）爬虫（豆瓣/TMDb），pandas/numpy 数据清洗与特征工程
算法层：基于内容的推荐（TF-IDF + 余弦相似度）+ 简单协同过滤（Pearson相关系数），实现混合推荐
后端：Flask（RESTful API） + MySQL（用户数据、电影特征）
前端：Vue.js + ECharts（数据可视化） + Bootstrap（响应式）
部署：腾讯云轻量服务器 + Nginx + uWSGI + Docker
工具：Git + Jupyter Notebook
创新点
1. 多维偏好建模：不只依赖评分，还融入用户对“导演、演员、类型、年代、国家”的隐性偏好，通过TF-IDF构建电影特征向量，计算语义相似度。
2. 实时数据融合：爬取豆瓣/TMDb最新电影信息及影评摘要，结合情感分析（简单TextBlob）提取影评情感倾向，推荐更“有温度”的电影。
3. 兴趣可视化：用ECharts生成用户偏好雷达图、电影相似度网络图，让推荐结果“看得见”。
4. 冷启动解决方案：新用户可通过“电影基因测试”（选择几部喜欢的电影）快速建立初始偏好模型。
核心功能模块
数据爬虫模块：定时爬取豆瓣/TMDb电影信息（标题、导演、演员、类型、简介、评分、影评），存储至MySQL，每日更新。
偏好建模引擎：用户注册后，可对看过的电影评分，系统自动计算用户特征向量；新用户通过“偏好测试”选择喜欢的电影，系统基于内容推荐生成初始推荐。
混合推荐算法：
基于内容的推荐：计算用户特征向量与电影特征向量的余弦相似度。
协同过滤：寻找相似用户，推荐他们喜欢的电影（Pearson相关系数）。
加权融合，动态调整权重。
智能探索页面：推荐结果按“高匹配度”、“热门新片”、“小众佳作”分类展示，每个电影附带“匹配理由”和影评情感摘要。
兴趣可视化面板：展示你的偏好雷达图（导演、类型、年代分布）、电影词云、推荐电影网络图。
反馈优化：用户对推荐结果点赞/点踩，实时更新模型。
立即沟通
相似人才推荐：
西安信息技术部高级业务经理 (陕西重型汽车有限公司) ，3年经验 ，500元/天
北京高级python工程师 (马上消费金融股份有限公司) ，5年经验 ，500元/天
其他Python 开发工程师 (个人开发者) ，3年经验 ，500元/天
上海python后端开发工程师 (上海憬芯科技有限公司) ，10年经验 ，500元/天
南京高级工程师 (软通动力) ，5年经验 ，500元/天
无锡高级软件开发工程师 (文思海辉) ，15年经验 ，1000元/天
北京python工程师 (四维能源（武汉）科技有限公司) ，10年经验 ，700元/天
上海AI算法工程师 (拜尔) ，2年经验 ，1000元/天
