🚀 智能金融产品推荐平台

基于深度学习和大语言模型的个性化金融产品推荐平台，集成 AI 聊天助手、社区讨论和投资教育资源

✨ 亮点速览

• 🧠 深度学习推荐引擎：基于 TensorFlow 构建的神经网络，智能分析用户画像
• 🤖 本地大模型集成：集成 Ollama API，支持离线 AI 对话和金融咨询
• 📊 多维度用户画像：考虑年龄、性别、教育、婚姻、资产类别等多重因素
• 💬 实时智能客服：支持上下文记忆的多轮对话，24/7 金融问答
• 🏠 社区讨论平台：用户互动评论系统，支持点赞和嵌套回复
• 📚 投资教育中心：整合优质金融学习资源和工具平台
• 🔧 RESTful API：完整的 API 接口，支持第三方集成

🏗️ 技术架构

核心技术栈

• 后端框架: Flask (轻量级 Web 框架)
• 数据库: SQLite (轻量级关系型数据库)
• 机器学习: TensorFlow 2.15 + Scikit-learn + NumPy
• 数据处理: Pandas (数据分析与处理)
• AI 集成: Ollama API (本地大语言模型)
• 前端: JavaScript
• ORM: SQLAlchemy (数据库对象关系映射)

推荐算法特色

• 深度神经网络：多层感知机架构，自动学习用户-产品关联
• 特征工程：标准化数值特征 + One-Hot 编码分类特征
• 置信度评分：为每个推荐结果提供可解释的置信度分数
• 模型持久化：训练完成的模型自动保存，支持快速加载

🚀 快速开始 (Windows)

环境准备

# 检查 Python 版本 (需要 3.12+)
python --version

# 克隆项目
git clone https://github.com/LingmaFuture/financial-recommender.git
cd financial_recommender

# 创建虚拟环境
python -m venv venv
.\venv\Scripts\Activate.ps1

# 安装依赖
pip install -r requirements.txt

启动应用

# 进入应用目录
cd notebooks

# 启动 Flask 应用
python app.py

应用将在 http://localhost:8080 启动，自动初始化数据库和推荐模型。

Ollama 大模型配置 (可选)

# 安装 Ollama (访问 https://ollama.ai 下载)
# 拉取推荐模型
ollama pull llama2
# 或者
ollama pull qwen:7b

# 启动 Ollama 服务 (默认端口 11434)
ollama serve

📖 核心功能详解

🎯 智能推荐系统

• 个性化算法：基于用户画像的深度学习推荐
• 实时推荐：毫秒级响应，支持在线推理
• 多产品支持：自动识别数据集中的所有产品类型
• 可解释性：提供推荐理由和置信度评分

支持的用户特征：

• 基础信息：年龄、性别、婚姻状况、子女情况
• 教育背景：学历水平
• 投资偏好：风险偏好、资产类别倾向

🤖 AI 智能客服

• 自然语言理解：支持中文金融问答
• 上下文记忆：维护会话历史，支持连续对话
• 多模型支持：兼容 Ollama 生态的各种开源大模型
• 会话管理：基于 Session ID 的多用户并发支持

💬 社区讨论平台

• 评论系统：支持发布、回复、点赞功能
• 数据持久化：基于 SQLAlchemy 的完整 CRUD 操作
• 实时交互：Ajax 异步加载，无刷新用户体验
• 分页加载：高效处理大量评论数据

📚 投资教育中心

精选金融学习资源，包括：

• 📈 股票市场分析工具
• 💰 加密货币交易平台
• 📊 投资研究报告
• 🎓 金融知识学习平台

🔌 API 接口文档

推荐接口

# 获取个性化推荐 (PowerShell 示例)
$headers = @{"Content-Type" = "application/json"}
$body = @{
    "AGE" = 30
    "GENDER" = "M"
    "MARITAL" = "Single"
    "HAVE_CHILD" = "No"
    "EDU_LEVEL" = "Bachelor"
    "ASSET_CLASS" = "Stocks"
} | ConvertTo-Json

Invoke-RestMethod -Uri "http://localhost:8080/api/recommend" -Method POST -Headers $headers -Body $body

聊天接口

# AI 聊天对话
$chatBody = @{
    "question" = "什么是基金定投？"
} | ConvertTo-Json

Invoke-RestMethod -Uri "http://localhost:8080/api/chat" -Method POST -Headers $headers -Body $chatBody

评论接口

# 获取所有评论
Invoke-RestMethod -Uri "http://localhost:8080/api/comments" -Method GET

# 发布新评论
$commentBody = @{
    "content" = "这个推荐系统很实用！"
} | ConvertTo-Json

Invoke-RestMethod -Uri "http://localhost:8080/api/comments" -Method POST -Headers $headers -Body $commentBody

📁 项目结构

financial_recommender/
├── data/                          # 数据文件
│   └── CUST_INVESTMENT.csv       # 客户投资数据集
├── models/                        # 训练模型存储
├── notebooks/                     # 主应用代码
│   ├── app.py                    # Flask 主应用
│   ├── recommender.py            # 推荐算法核心
│   ├── ollama.py                 # Ollama API 封装
│   ├── models.py                 # 数据库模型定义
│   ├── static/                   # 静态资源
│   └── templates/                # HTML 模板
│       ├── home.html            # 首页
│       ├── recommend.html       # 推荐页面
│       ├── chat.html            # AI 聊天
│       ├── discussion.html      # 讨论区
│       ├── education.html       # 教育中心
│       └── api.html             # API 文档
├── requirements.txt               # Python 依赖
└── readme.md                     # 项目文档

🛠️ 开发指南

数据格式要求

推荐系统支持的输入数据格式：

{
  "AGE": 30,                    // 年龄 (数值)
  "GENDER": "M",                // 性别 (M/F)
  "MARITAL": "Single",          // 婚姻状况 (Single/Married)
  "HAVE_CHILD": "No",           // 是否有子女 (Yes/No)
  "EDU_LEVEL": "Bachelor",      // 学历 (High School/Bachelor/Master/PhD)
  "ASSET_CLASS": "Stocks"       // 资产类别偏好
}

字段说明：

• AGE: 用户年龄，数值类型
• GENDER: 性别，可选值："M" (男性) 或 "F" (女性)
• MARITAL: 婚姻状况，可选值："Single" (单身) 或 "Married" (已婚)
• HAVE_CHILD: 是否有子女，可选值："Yes" 或 "No"
• EDU_LEVEL: 教育水平，可选值："High School", "Bachelor", "Master", "PhD"
• ASSET_CLASS: 资产类别偏好，根据数据集中的具体类别而定

模型训练与部署

# 重新训练模型 (如果需要)
cd notebooks
python -c "
from recommender import FinancialRecommender
import pandas as pd
data = pd.read_csv('../data/CUST_INVESTMENT.csv')
model = FinancialRecommender()
X = data.drop(['CODE'], axis=1)
y = data['CODE']
model.train(X, y)
"

自定义配置

在 notebooks/config.py 中可以调整：

• 数据库连接配置
• Ollama 服务地址
• 模型参数设置
• 日志级别配置

❓ 常见问题

Q: 为什么推荐结果不准确？ A: 确保训练数据质量良好，数据量充足。可以通过增加训练数据或调整模型参数来改善。

Q: Ollama 连接失败怎么办？ A: 确保 Ollama 服务正在运行 (ollama serve)，并检查端口 11434 是否可访问。

Q: 如何添加新的产品类型？ A: 在 data/CUST_INVESTMENT.csv 中添加新的产品数据，重启应用会自动重新训练模型。

Q: 支持哪些大语言模型？ A: 支持所有 Ollama 兼容的模型，推荐使用 llama2、qwen、chatglm 等中文友好模型。

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

1. Fork 本项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

---

⭐ 如果这个项目对你有帮助，请给个 Star 支持一下！