当前位置：首页 > news >正文

春联生成模型MySQL数据库集成：用户偏好存储与个性化推荐

news 2026/8/8 2:27:46

春联生成模型MySQL数据库集成：用户偏好存储与个性化推荐

每到春节，写春联、贴春联都是咱们的传统习俗。现在有了AI春联生成模型，动动手指就能得到一副文采斐然、对仗工整的春联，确实方便。但用久了你会发现一个问题：生成的春联虽然不错，但总感觉少了点“个人味道”。比如，你喜欢典雅古朴的风格，但模型时不时会给你一些俏皮活泼的句子；你偏爱“家和万事兴”这类主题，它却总推荐“财源广进”。

这背后的核心痛点在于，模型不了解“你”。它每次生成都是基于通用规则，没有记忆，也没有学习。今天生成的春联，明天就忘了。如何让模型记住你的喜好，下次生成时能“投你所好”？答案就是引入数据库，特别是像MySQL这样成熟稳定的关系型数据库。

本文将带你一步步实现春联生成模型与MySQL数据库的深度集成。我们不只是简单地把生成记录存起来，而是要构建一个能理解用户偏好的智能系统。通过设计合理的表结构来存储用户的历史行为和风格标签，并在此基础上实现一个简单但有效的个性化推荐算法。最终目标是，让春联生成从“千人一面”走向“千人千面”，每次打开都像是一位懂你的老友在为你提笔。

1. 为什么需要数据库？从“健忘”到“记忆”

在深入技术细节之前，我们先聊聊为什么数据库是关键一步。没有数据库的春联生成模型，就像一个只有七秒记忆的金鱼。

场景一：用户小张。他第一次生成了“春风送暖入屠苏，岁月更新福满门”，觉得“福满门”这个意象很好，特意点了赞。一周后，他想再生成一副类似感觉的春联，但模型已经完全忘记了他之前的喜好，又从头开始随机组合。

场景二：运营人员小李。他想分析一下用户最喜欢哪些春联主题，是“健康长寿”多还是“事业有成”多？没有数据沉淀，他只能靠猜。

场景三：模型开发者老王。他想优化模型，让生成的春联更受欢迎，但苦于没有用户反馈数据，不知道哪些对联被收藏了，哪些被很快关掉了。

你看，没有数据库，我们就失去了“记忆”、“分析”和“进化”的能力。引入MySQL，我们可以实现三个核心价值：

持久化存储：永久保存每一次生成记录、用户操作（点赞、收藏、分享）和标签。
用户画像构建：通过分析历史数据，抽象出用户的风格偏好（如：典雅/喜庆）、主题偏好（如：家庭/事业）、关键词偏好（如：福/春/和）。
智能推荐：基于用户画像和群体行为（协同过滤），在用户下一次生成时，主动推荐更符合其口味的春联模板或关键词。

接下来，我们就从零开始，搭建这套系统。

2. 搭建基础：MySQL环境准备与核心表设计

工欲善其事，必先利其器。我们先确保有一个可用的MySQL环境。

2.1 快速搞定MySQL环境

如果你还没有安装MySQL，别担心，过程很简单。这里以常见的Linux系统为例。

首先，更新软件包列表并安装MySQL服务器：

sudo apt update sudo apt install mysql-server -y

安装完成后，启动MySQL服务并设置开机自启：

sudo systemctl start mysql sudo systemctl enable mysql

为了安全，运行一个安全安装脚本，它会提示你设置root密码、移除匿名用户、禁止root远程登录等。一路根据提示选择即可：

sudo mysql_secure_installation

现在，用root用户登录MySQL，准备创建我们的数据库和用户：

sudo mysql -u root -p

输入你刚才设置的密码。

2.2 设计核心数据表：如何记住用户的一切？

数据库设计是整个系统的骨架，设计得好，后续扩展和查询都会事半功倍。我们主要设计四张核心表。

第一张表：用户表 (users)这张表记录最基本的用户信息。我们不存储敏感密码，通常用户系统会独立存在，这里我们只关联一个用户ID。

CREATE TABLE users ( user_id INT AUTO_INCREMENT PRIMARY KEY, username VARCHAR(50) UNIQUE NOT NULL COMMENT '用户名', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '注册时间' ) COMMENT='用户基本信息表';

第二张表：春联表 (couplets)这是核心的表，存储每一次生成的春联内容及其元数据。

CREATE TABLE couplets ( couplet_id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '生成用户ID', upper_line TEXT NOT NULL COMMENT '上联', lower_line TEXT NOT NULL COMMENT '下联', horizontal TEXT COMMENT '横批', style_tag VARCHAR(50) COMMENT '风格标签，如：典雅、喜庆、幽默', theme_tag VARCHAR(50) COMMENT '主题标签，如：家庭、事业、健康', keywords TEXT COMMENT '关键词JSON数组，如：["福", "春", "和"]', is_public BOOLEAN DEFAULT TRUE COMMENT '是否公开，用于协同过滤', likes INT DEFAULT 0 COMMENT '点赞数', collects INT DEFAULT 0 COMMENT '收藏数', generated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '生成时间', FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE ) COMMENT='春联内容存储表';

关键字段说明：

style_tag,theme_tag：用于快速分类和筛选。可以由模型在生成时自动打标，或后期人工标注。
keywords：存储从春联中提取的关键词，用于更细粒度的偏好分析。这里用JSON格式存储数组，MySQL 5.7以上版本支持得很好。
is_public：标记该春联是否可用于给其他用户做推荐。用户可以选择隐藏自己的创作。
likes,collects：记录受欢迎程度，是推荐算法的重要权重。

第三张表：用户行为表 (user_actions)这张表记录用户的所有交互行为，是构建用户画像的“金矿”。

CREATE TABLE user_actions ( action_id BIGINT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '用户ID', couplet_id INT NOT NULL COMMENT '春联ID', action_type ENUM('view', 'like', 'collect', 'share', 'generate') NOT NULL COMMENT '行为类型', action_weight TINYINT DEFAULT 1 COMMENT '行为权重，如点赞权重为2，收藏为3', action_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '行为时间', FOREIGN KEY (user_id) REFERENCES users(user_id), FOREIGN KEY (couplet_id) REFERENCES couplets(couplet_id), INDEX idx_user_action (user_id, action_type, action_time) ) COMMENT='用户行为流水表';

设计精髓：

action_type：用枚举类型明确行为种类。“generate”（生成）这个行为本身也是强偏好信号。
action_weight：不同行为代表不同的偏好强度。浏览（view）权重轻，收藏（collect）权重最重。这个权重值会直接用于计算用户偏好分数。
索引idx_user_action：这是为了快速查询某个用户最近的行为，或者某种类型的行为，在数据量大时能极大提升查询效率。

第四张表：推荐缓存表 (recommendations)为了提高响应速度，我们可以预计算或实时计算推荐结果并缓存起来。

CREATE TABLE recommendations ( rec_id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '目标用户ID', recommended_couplet_id INT NOT NULL COMMENT '被推荐的春联ID', rec_source VARCHAR(20) COMMENT '推荐来源，如：content_based, collaborative', score DECIMAL(5,4) COMMENT '推荐分数，0-1之间', generated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '推荐生成时间', FOREIGN KEY (user_id) REFERENCES users(user_id), FOREIGN KEY (recommended_couplet_id) REFERENCES couplets(couplet_id), INDEX idx_user_rec (user_id, generated_at) ) COMMENT='个性化推荐结果缓存表';

这四张表形成了一个完整的数据闭环：用户生成春联（couplets）并产生行为（user_actions），系统分析这些数据后，为用户生成推荐列表（recommendations）。

3. 从数据到智能：实现个性化推荐逻辑

数据库建好了，数据也存进去了，怎么让它变“聪明”呢？这里我们实现一个混合推荐策略，兼顾准确性和惊喜度。

3.1 基于内容的推荐：找到你“曾经爱过”的类似品

核心思想：分析你喜欢的春联（通过点赞、收藏等行为识别），然后找到在风格、主题、关键词上类似的其它春联推荐给你。

假设用户ID为1的用户最近收藏了几副春联。我们可以先提取这些春联的特征（标签和关键词），然后去匹配其他具有相似特征的公开春联。

-- 第一步：找出目标用户高权重的行为对应的春联特征 SELECT c.style_tag, c.theme_tag, c.keywords FROM user_actions ua JOIN couplets c ON ua.couplet_id = c.couplet_id WHERE ua.user_id = 1 AND ua.action_type IN ('collect', 'like') -- 高权重行为 AND ua.action_time > DATE_SUB(NOW(), INTERVAL 30 DAY) -- 只看最近30天，兴趣会变化 GROUP BY c.couplet_id; -- 假设我们分析出该用户偏好“典雅”风格、“家庭”主题，关键词常包含“和”、“福”。 -- 第二步：基于特征进行推荐 SELECT c2.couplet_id, c2.upper_line, c2.lower_line, c2.horizontal, -- 计算一个简单的相似度分数（这里用标签匹配数作为简化示例） (CASE WHEN c2.style_tag = '典雅' THEN 1 ELSE 0 END + CASE WHEN c2.theme_tag = '家庭' THEN 1 ELSE 0 END + -- 更复杂的关键词匹配可以用JSON函数处理，这里简化 (LENGTH(c2.keywords) - LENGTH(REPLACE(c2.keywords, '"福"', ''))) / 3 ) AS similarity_score FROM couplets c2 WHERE c2.is_public = TRUE AND c2.user_id != 1 -- 不推荐自己生成的 AND (c2.style_tag = '典雅' OR c2.theme_tag = '家庭' OR c2.keywords LIKE '%"福"%') ORDER BY similarity_score DESC, c2.likes DESC -- 按相似度和热度排序 LIMIT 10;

这个查询的结果，就是基于用户历史偏好“计算”出来的推荐列表。它非常直观，推荐的都是和你过去喜欢的东西相似的春联。

3.2 基于协同过滤的推荐：发现“和你口味相似的人”还喜欢什么

基于内容的推荐有个局限，容易把你困在“信息茧房”里。协同过滤则能帮你突破这个局限，它的逻辑是：找到和你行为相似的其他用户，把他们喜欢但你还没看过的春联推荐给你。

我们实现一个简化版的“用户-物品”协同过滤：

-- 第一步：找到与目标用户（user_id=1）行为相似的用户 SELECT ua2.user_id AS similar_user, COUNT(DISTINCT ua2.couplet_id) AS common_actions -- 共同交互过的春联数 FROM user_actions ua1 JOIN user_actions ua2 ON ua1.couplet_id = ua2.couplet_id AND ua1.action_type = ua2.action_type AND ua2.user_id != 1 WHERE ua1.user_id = 1 AND ua1.action_type IN ('like', 'collect') -- 基于高权重行为找相似用户 GROUP BY ua2.user_id HAVING common_actions >= 2 -- 设定一个阈值，比如至少有2个共同高权重行为 ORDER BY common_actions DESC LIMIT 5; -- 找出最相似的5个用户 -- 假设我们找到了用户 3, 7, 15 为相似用户。 -- 第二步：获取这些相似用户喜欢（收藏/点赞）但目标用户没看过的春联 SELECT c.couplet_id, c.upper_line, c.lower_line, c.horizontal, COUNT(DISTINCT ua.user_id) AS recommend_weight -- 有多少个相似用户推荐了它 FROM couplets c JOIN user_actions ua ON c.couplet_id = ua.couplet_id WHERE ua.user_id IN (3, 7, 15) -- 相似用户群 AND ua.action_type IN ('like', 'collect') AND c.is_public = TRUE AND c.couplet_id NOT IN ( -- 排除目标用户已经看过的 SELECT couplet_id FROM user_actions WHERE user_id = 1 ) GROUP BY c.couplet_id ORDER BY recommend_weight DESC, c.likes DESC LIMIT 10;

这个推荐结果可能带来惊喜，因为它跳出了你固有的偏好圈，推荐了那些“同类人”都认可的好内容。

3.3 工程实践：让推荐系统跑起来

在实际的春联生成服务中，我们不会在用户每次请求时都运行这些复杂的SQL查询。那样太慢了。通常的做法是：

离线计算：在后台定时（比如每天凌晨）运行推荐算法，为每个活跃用户计算一批推荐结果，存入recommendations表。
实时混合：当用户请求生成或查看推荐时，我们从recommendations表中快速读取预计算的列表。同时，可以混入一些实时的、基于本次会话行为的微调（例如，用户本次输入了“虎年”，就临时提升带“虎”关键词春联的排名）。
API接口：为前端提供一个简单的推荐接口。

# 一个简化的Flask API示例 from flask import Flask, request, jsonify import pymysql app = Flask(__name__) def get_db_connection(): return pymysql.connect(host='localhost', user='your_user', password='your_pwd', database='couplet_db', charset='utf8mb4') @app.route('/api/recommend', methods=['GET']) def get_recommendations(): user_id = request.args.get('user_id', type=int) if not user_id: return jsonify({'error': 'user_id is required'}), 400 conn = get_db_connection() try: with conn.cursor(pymysql.cursors.DictCursor) as cursor: # 优先从推荐缓存表获取 sql = """ SELECT c.* FROM recommendations r JOIN couplets c ON r.recommended_couplet_id = c.couplet_id WHERE r.user_id = %s ORDER BY r.score DESC, r.generated_at DESC LIMIT 5 """ cursor.execute(sql, (user_id,)) cached_recs = cursor.fetchall() # 如果缓存不够或过期，可以实时补充一些基于热门的推荐 if len(cached_recs) < 5: sql = """ SELECT * FROM couplets WHERE is_public = TRUE ORDER BY (likes*0.7 + collects*0.3) DESC, generated_at DESC LIMIT %s """ cursor.execute(sql, (5 - len(cached_recs),)) hot_recs = cursor.fetchall() cached_recs.extend(hot_recs) return jsonify({'recommendations': cached_recs}) finally: conn.close() if __name__ == '__main__': app.run(debug=True)

这个接口会先给用户返回个性化的缓存推荐，如果不够，再用热门春联补足，确保用户体验的流畅。