一、Schema范式设计

个性化推荐模块

模块描述用户可以输入身高，体重，年龄，选择性别和输入补充信息（包括职业：非必填，喜好：非必填，天气：非必填，温度：非必填，其他需求：显高显瘦？儒雅甜美？等），AI会提供量身定制的服装和配饰建议并且保存AI生成的推荐结果以及用户信息和用户输入的信息。

1.表结构设计

UserProfile(用户表)
objectId:唯一标识符
createdAt:创建时间
height: Float (用户身高，以cm为单位)
weight: Float (用户体重，以kg为单位)
age: Integer (用户年龄)
gender: String (用户性别)
occupation: String (用户职业，非必填)
preferences: String (用户喜好，非必填)
weather: String (用户天气偏好，非必填)
temperature: String (用户温度偏好，非必填)
otherNeeds: String (其他需求，非必填)

ClothingItem(服装表)
objectId:唯一标识符
createdAt:创建时间
name: String (服装名称)
type: String (服装类型，)
size: String (服装尺码，例如 "S", "M", "L", "XL")
color: String (服装颜色)
style: String (服装风格)
recommendedFor: Pointer (指向推荐给的用户)

AccessoryItem(配饰表)

objectId:唯一标识符
createdAt:创建时间
name (配饰名称)
type (配饰类型，如项链、手表等)
material (配饰材质)
style (配饰风格)
recommendedFor (推荐给的用户，Pointer)

Recommendation(穿搭推荐表)

objectId:唯一标识符
createdAt:创建时间
userProfile: Pointer (指向用户)
clothingItems: Array (推荐的服装)

accessoryItems: Array (推荐的配饰)

2.PlantUML类图设计

@startuml
class UserProfile {
+objectId: String
+createdAt: Date
+height: Float
+weight: Float
+age: Int
+gender: String
+occupation: String
+preferences: String
+weather: String
+temperature: String
+otherNeeds: String
}

class ClothingItem {
+objectId: String
+createdAt: Date
+name: String
+type: String
+size: String
+color: String
+style: String
+recommendedFor: Pointer
}

class AccessoryItem {
+objectId: String
+createdAt: Date
+name: String
+type: String
+material: String
+style: String
+recommendedFor: Pointer
}

class Recommendation {
+objectId: String
+createdAt: Date
+userProfile: Pointer
+clothingItems: Array>
+accessoryItems: Array>
}

UserProfile "1" -- "0..*" ClothingItem : contains
UserProfile "1" -- "0..*" AccessoryItem : contains
UserProfile "1" -- "0..*" Recommendation : makes
@enduml

Language:plantuml

3.设计说明

UserProfile 表存储用户的基本信息和个性化需求。 ClothingItem 和 AccessoryItem 表分别存储服装和配饰的信息，并通过 Pointer 关联到推荐的用户。 Recommendation 表用于存储为特定用户生成的推荐，包括推荐的服装和配饰。这种设计符合第三范式（3NF），确保数据的规范化和减少冗余。

二、业务逻辑描述

个性化推荐的完整逻辑

个性化推荐生成逻辑

用户在APP内，通过文本生成穿搭推荐

数据来源
- 用户输入：用户的身高，体重，年龄，选择性别和输入补充信息（包括职业：非必填，喜好：非必填，天气：非必填，温度：非必填，其他需求：显高显瘦？儒雅甜美？等）
- 用户体征：性别、年龄、体重等
文本生成
- 提示词：严格限制json格式，输出推荐的穿搭方案列表（附带当前时间，用于时间的生成）

生成结果：recommendList

循环数组，向Recommendation表逐个插入数据。


[
{
"objectId": "rec1",
"createdAt": "2024-12-09T22:00:00Z",
"userProfile": "user1",
"clothingItems": [
"clothing1",
"clothing2"
],
"accessoryItems": [
"accessory1",
"accessory2"
]
},
{
"objectId": "rec2",
"createdAt": "2024-12-09T22:00:00Z",
"userProfile": "user2",
"clothingItems": [
"clothing3",
"clothing4"
],
"accessoryItems": [
"accessory3"
]
},
{
"objectId": "rec3",
"createdAt": "2024-12-09T22:00:00Z",
"userProfile": "user3",
"clothingItems": [
"clothing5"
],
"accessoryItems": [
"accessory4",
"accessory5"
]
},
{
"objectId": "rec4",
"createdAt": "2024-12-09T22:00:00Z",
"userProfile": "user4",
"clothingItems": [
"clothing6",
"clothing7"
],
"accessoryItems": []
},
{
"objectId": "rec5",
"createdAt": "2024-12-09T22:00:00Z",
"userProfile": "user5",
"clothingItems": [
"clothing8"
],
"accessoryItems": [
"accessory6"
]
}
]

个性化推荐业务逻辑图例

@startuml
actor User
participant "APP" as App
participant "Recommendation Service" as RecService
participant "Recommendation Database" as RecDB

User -> App: 输入身高、体重、年龄、性别等信息
App -> RecService: 发送用户输入数据
RecService -> RecService: 处理用户输入数据
RecService -> RecService: 生成推荐穿搭方案
RecService -> RecService: 准备推荐列表 (recommendList)

loop 插入推荐数据
    RecService -> RecDB: 插入推荐数据
end

RecDB -> RecService: 返回插入结果
RecService -> App: 返回推荐结果给用户
App -> User: 显示推荐的穿搭方案列表
@enduml

时序图说明

用户输入: 用户在 APP 内输入身高、体重、年龄、性别等信息。
发送数据: APP 将用户输入的数据发送给 Recommendation Service。
处理输入: Recommendation Service 处理用户的输入数据。
生成推荐: Recommendation Service 根据用户输入生成推荐穿搭方案。
准备推荐列表: Recommendation Service 准备一个推荐列表（recommendList）。
插入推荐数据: 通过循环，Recommendation Service 将推荐数据逐个插入到 Recommendation Database。
返回插入结果: Recommendation Database 返回插入结果给 Recommendation Service。
返回推荐结果: Recommendation Service 将推荐结果返回给 APP。
显示结果: APP 显示推荐的穿搭方案列表给用户。

这个时序图清晰地展示了个性化推荐生成逻辑的每一步，描述了用户与系统之间的交互过程。

schema.md 6.6 KB Permalink History Raw