智能推荐引擎：精准触达用户需求

class IntelligentRecommender:
    """智能推荐引擎"""
    
    def __init__(self, llm_api, vector_db):
        self.llm = llm_api
        self.vector_db = vector_db
        self.user_profiles = {}
        
    def analyze_user_interests(self, user_id, behaviors):
        """分析用户兴趣"""
        # 提取用户行为特征
        viewed_items = behaviors.get('viewed', [])
        liked_items = behaviors.get('liked', [])
        purchased_items = behaviors.get('purchased', [])
        
        # 使用LLM分析用户偏好
        prompt = f"""基于用户的行为数据，分析其兴趣偏好：
        
浏览过：{', '.join(viewed_items[:10])}
喜欢：{', '.join(liked_items[:5])}
购买过：{', '.join(purchased_items[:5])}

请总结用户的：
1. 主要兴趣领域
2. 偏好风格
3. 价位接受度
4. 潜在需求"""
        
        analysis = self.llm.generate(prompt)
        
        # 生成用户向量
        user_vector = self.llm.create_embedding(analysis)
        
        self.user_profiles[user_id] = {
            'analysis': analysis,
            'vector': user_vector,
            'update_time': datetime.now()
        }
        
        return analysis
    
    def understand_content(self, item):
        """理解内容特征"""
        prompt = f"""分析以下内容的特征：
        
标题：{item['title']}
描述：{item['description']}
分类：{item['category']}

提取：
1. 核心主题
2. 风格特点
3. 目标受众
4. 关键标签"""
        
        features = self.llm.generate(prompt)
        content_vector = self.llm.create_embedding(features)
        
        return {
            'features': features,
            'vector': content_vector
        }
    
    def recommend(self, user_id, num_items=10):
        """生成推荐"""
        # 获取用户画像
        if user_id not in self.user_profiles:
            return self.cold_start_recommend(user_id)
        
        user_profile = self.user_profiles[user_id]
        user_vector = user_profile['vector']
        
        # 向量相似度搜索
        candidates = self.vector_db.search(
            user_vector, 
            top_k=num_items * 3
        )
        
        # 使用LLM重排序
        reranked = self.rerank_with_llm(
            user_profile['analysis'],
            candidates,
            num_items
        )
        
        return reranked
    
    def rerank_with_llm(self, user_analysis, candidates, top_k):
        """LLM重排序"""
        prompt = f"""用户画像：
{user_analysis}

候选推荐列表：
{self.format_candidates(candidates)}

请根据用户偏好对候选项重新排序，选出最符合的{top_k}个。
考虑：
1. 兴趣匹配度
2. 多样性
3. 新颖性
4. 时效性"""
        
        ranking = self.llm.generate(prompt)
        return self.parse_ranking(ranking, candidates)
    
    def explain_recommendation(self, user_id, item_id):
        """解释推荐原因"""
        user_profile = self.user_profiles[user_id]
        item_features = self.understand_content(self.get_item(item_id))
        
        prompt = f"""解释为什么向该用户推荐这个内容：

用户偏好：{user_profile['analysis']}
推荐内容：{item_features['features']}

用简单易懂的语言解释推荐理由。"""
        
        explanation = self.llm.generate(prompt)
        return explanation