RecomAI：基于TensorFlow.js的实时全栈商品推荐引擎

RecomAI是一个基于TensorFlow.js构建的全栈商品推荐引擎，核心功能包括：通过神经网络学习用户购买历史中的共购模式，基于当前购物车内容实时生成商品推荐，并借助Socket.io实现训练过程的实时可视化。该项目由csaantana在GitHub上维护，原始链接为https://github.com/csaantana/RecomAI，发布时间为2026年6月2日。

项目来源

• 原作者/维护者：csaantana（GitHub）
• 来源平台：GitHub
• 原项目标题：RecomAI
• 原始链接：https://github.com/csaantana/RecomAI
• 发布时间：2026年6月2日

项目概述

RecomAI采用TensorFlow.js、Node.js和Socket.io技术栈，是一个完整的产品推荐系统。其核心是神经网络模型，从用户购买历史中学习共购模式，基于当前购物车内容实时推荐商品，并通过Socket.io提供训练过程的实时可视化，帮助开发者直观观察模型学习过程。

神经协同过滤模型

采用神经协同过滤方法，网络架构为：输入层（36维）→全连接层（128神经元，ReLU激活）→批归一化→Dropout（0.3）→全连接层（64神经元，ReLU激活）→Dropout（0.2）→全连接层（32神经元，ReLU激活）→输出层（1神经元，Sigmoid激活），用于预测候选商品与当前购物车的匹配概率。

特征工程与数据增强

• 商品特征：18维向量（6维类别独热编码、1维归一化价格、11维颜色独热编码）。
• 数据增强：对每个用户的N次购买记录，生成所有k（1≤k≤N-1）大小的子集作为购物车上下文，正样本为剩余已购商品，负样本为3倍数量的随机未购商品，从10个用户数据中生成约3000个平衡训练样本。

实时训练可视化

通过Socket.io在训练的60个周期中，每个周期结束时将损失值和准确率推送到前端，使用Chart.js实时更新折线图展示训练进度。

系统架构

采用MVC架构：

• 模型层：StateModel管理内存状态（购物车、训练模型），RecommendationModel封装TensorFlow.js模型逻辑；
• 控制器层：ProductController处理商品查询，UserController管理用户和购物车，ModelController负责训练和推荐端点；
• 视图层：基于Bootstrap5的单页应用，集成Chart.js实现可视化。

推荐流程

1. 加载用户历史购买记录作为初始购物车，支持手动添加/移除商品；
2. 触发训练：读取JSON数据生成约3000个样本，启动60周期训练，实时推送指标；
3. 生成推荐：计算购物车商品特征均值作为上下文向量，预测候选商品匹配概率，按分数降序排列（已在购物车的商品推至底部），结果以商品网格、顶部推荐标识、结账建议卡片呈现。

技术选型

• 机器学习：TensorFlow.js（@tensorflow/tfjs）；
• 后端：Node.js + Express（RESTful API）、Socket.io（实时通信）；
• 前端：Bootstrap5（响应式UI）、Chart.js 4（可视化）；
• 开发工具：BrowserSync（前端自动刷新）、Nodemon（服务端热重载）。

当前项目存在以下局限及改进方向：

1. 数据持久化：采用内存状态和JSON文件，生产环境需引入Redis缓存和数据库；
2. 数据规模：仅10用户、30商品，实际场景需扩展数据管道和分布式训练；
3. 特征维度：仅使用类别、价格、颜色等浅层特征，可引入商品图片、描述文本等多模态特征提升推荐质量。

RecomAI展示了从数据预处理、特征工程、神经网络建模到实时可视化的完整机器学习应用链路，是学习TensorFlow.js在推荐场景应用的极佳参考项目。其渐进式训练策略、实时可视化反馈机制及清晰的MVC架构，值得在实际项目中借鉴。