鸿蒙 App 兴趣课程推荐实战指南【华为云根技术】

• 个性化推荐已成为教育类 App 的增长引擎。在 HarmonyOS​ 生态中，学习类应用正快速丰富，原生互联、原生智能与跨设备能力为“画像驱动 + 实时反馈”的推荐系统提供了天然土壤：例如 中国大学MOOC​ 上架鸿蒙应用市场、研途考研​ 支持个性化方案与“碰一碰”资料共享、会计学堂​ 提供实操课程并支持跨设备接续学习，这些特性让推荐结果更精准、体验更连贯。

• 冷启动引导：新用户基于年级/学科/目标快速生成入门路径（基础→进阶→实战）。
• 学习路径续接：课程页/关卡页基于最近学习标签与完成率推荐下一节或同主题课程。
• 活动召回与补差：对流失预警/低完成率用户推送“补差课/热门课/系列课”。
• 搜索重排：搜索后按画像相似度 + 评分 + 热度重排，优先展示更匹配的课程。
• 跨设备学习：手机→平板接续学习后，推荐基于当前设备与时长偏好动态调整。

• 画像分层
  • 基础：年级/学科/地区/设备。
  • 行为：点击/停留/完成率/学习时长。
  • 偏好：标签/难度/时长/形式（视频/图文/实操）。
• 召回 + 粗排 + 精排 + 重排
  • 召回：热门、协同过滤（ItemCF/UserCF）、内容相似（标签/向量）。
  • 粗排：轻量 LR/GBDT 或向量内积。
  • 精排：学习收益/难度匹配/时效的 XGBoost/LightGBM​ 排序模型。
  • 重排：规则（去重/打散）、多样性、新鲜度、业务策略。
• 实时与近线
  • 行为日志秒级入仓，近线特征分钟级更新，日更模型全量重训。
• 隐私与合规
  • 数据最小化、端侧可算尽算、差分隐私/匿名化、用户授权与可撤回。

flowchart TD
A[客户端行为日志] --> B[事件采集/上报]
B --> C[实时特征计算]
C --> D[召回: 热门/协同/内容]
D --> E[粗排: 轻量模型]
E --> F[精排: 收益/难度/时效]
F --> G[重排: 规则/多样性/新鲜度]
G --> H[推荐结果落库]
H --> I[客户端展示与反馈]
I -->|点击/完成| B

• 说明
  • 召回提供候选集，粗排降低计算量，精排做质量决策，重排保证体验与策略。
  • 画像与特征在端侧/边缘可预处理，减少敏感数据上云。

• 开发环境
  • DevEco Studio 5+、ArkTS/ArkUI、Node.js、OHPM、HarmonyOS SDK。
  • 调试设备：HarmonyOS 5+ 手机/平板，开启开发者选项与无线调试。
• 后端与数据
  • 日志/特征/召回/排序微服务（Go/Java/Python），Redis（实时特征/候选集）、向量库（如 Milvus/Faiss）、对象存储（课程素材）。
  • 埋点与鉴权：统一 AppID/Token，行为日志 gzip + 批量上报。
• 模型与特征
  • 离线训练：XGBoost/LightGBM + 特征工程；近线特征：Flink/Spark Streaming；向量召回：Sentence-BERT/双塔。

• 工程结构
  • entry/src/main/ets/pages/RecommendPage.ets
  • entry/src/main/ets/services/RecommendService.ets
  • entry/src/main/ets/models/Course.ets
  • entry/src/main/ets/models/UserProfile.ets
  • entry/src/main/ets/utils/Feature.ets
  • entry/src/main/resources/base/profile/main_pages.json

1. 数据模型

// models/Course.ets
export interface Course {
  id: string;
  title: string;
  subject: string;
  tags: string[];
  difficulty: number; // 1-5
  durationMin: number;
  rating: number; // 0-5
  popularity: number; // 热度分
  coverUrl: string;
}

// models/UserProfile.ets
export interface UserProfile {
  grade?: string;     // 如 "高一"
  subjects: string[]; // 如 ["数学","物理"]
  goals: string[];   // 如 ["高考提分","竞赛"]
  durations: number[]; // 偏好学习时长区间（分钟）
  difficulties: number[]; // 偏好难度
  tagWeights: Record<string, number>; // 标签权重
}

1. 特征工程（端侧轻量）

// utils/Feature.ets
import { UserProfile, Course } from '../models/UserProfile';
import { Course as CourseModel } from '../models/Course';

export class Feature {
  static score(user: UserProfile, course: CourseModel): number {
    let s = 0;
    // 难度匹配
    const diffMatch = user.difficulties.includes(course.difficulty) ? 1 : 0;
    s += diffMatch * 2;
    // 标签权重
    let tagScore = 0;
    for (const t of course.tags) {
      tagScore += user.tagWeights[t] || 0;
    }
    s += tagScore * 3;
    // 时长偏好
    const durOk = user.durations.some(d => Math.abs(d - course.durationMin) <= 10);
    s += durOk ? 1 : 0;
    // 评分与热度
    s += course.rating * 0.5;
    s += course.popularity * 0.1;
    return s;
  }
}

1. 推荐服务（本地规则 + 可替换为远程排序）

// services/RecommendService.ets
import { UserProfile } from '../models/UserProfile';
import { Course } from '../models/Course';
import { Feature } from '../utils/Feature';

export class RecommendService {
  private static mockCourses(): Course[] {
    return [
      {
        id: 'c1', title: '高中数学函数进阶', subject: '数学', tags: ['函数','高考'], difficulty: 3,
        durationMin: 25, rating: 4.8, popularity: 120, coverUrl: ''
      },
      {
        id: 'c2', title: '物理力学基础', subject: '物理', tags: ['力学','入门'], difficulty: 2,
        durationMin: 20, rating: 4.6, popularity: 90, coverUrl: ''
      },
      {
        id: 'c3', title: '数学竞赛专题：数论', subject: '数学', tags: ['数论','竞赛'], difficulty: 5,
        durationMin: 40, rating: 4.9, popularity: 60, coverUrl: ''
      },
      {
        id: 'c4', title: '高考英语写作速成', subject: '英语', tags: ['写作','高考'], difficulty: 3,
        durationMin: 30, rating: 4.7, popularity: 200, coverUrl: ''
      }
    ];
  }

  static recommend(user: UserProfile, topN: number = 10): Course[] {
    const courses = this.mockCourses();
    const scored = courses.map(c => ({
      course: c,
      score: Feature.score(user, c)
    })).sort((a, b) => b.score - a.score);
    return scored.slice(0, topN).map(x => x.course);
  }
}

1. 页面展示与埋点

// pages/RecommendPage.ets
import { RecommendService } from '../services/RecommendService';
import { UserProfile } from '../models/UserProfile';
import { Course } from '../models/Course';
import router from '@ohos.router';

@Entry
@Component
struct RecommendPage {
  @State courses: Course[] = [];
  @State user: UserProfile = {
    subjects: ['数学','物理'],
    goals: ['高考提分'],
    durations: [20, 30],
    difficulties: [2, 3],
    tagWeights: { '函数': 1.5, '力学': 1.2, '高考': 1.0, '写作': 0.8 }
  };

  aboutToAppear() {
    this.courses = RecommendService.recommend(this.user, 6);
    this.reportView('home_recommend');
  }

  private reportView(action: string) {
    // 真实项目：sendBeacon({ event: action, ts: Date.now(), uid: this.user.id })
    console.info(`[Analytics] ${action}`);
  }

  private reportClick(course: Course) {
    // 真实项目：sendBeacon({ event: 'click', courseId: course.id, ts: Date.now() })
    console.info(`[Analytics] click ${course.id}`);
    router.pushUrl({ url: 'pages/Detail', params: { id: course.id } });
  }

  build() {
    Column({ space: 12 }) {
      Text('为你推荐').fontSize(20).fontWeight(FontWeight.Bold).margin({ top: 12, bottom: 8 })
      List({ space: 12 }) {
        ForEach(this.courses, (item: Course) => {
          ListItem() {
            Column({ space: 6 }) {
              Text(item.title).fontSize(16).fontWeight(FontWeight.Medium)
              Row() {
                Text(`难度:${item.difficulty}`).fontSize(12).fontColor(Color.Gray)
                Text(`时长:${item.durationMin}min`).fontSize(12).fontColor(Color.Gray)
                Text(`评分:${item.rating}`).fontSize(12).fontColor(Color.Gray)
              }
              Row({ space: 6 }) {
                ForEach(item.tags, (t: string) => {
                  Text(t).fontSize(10).backgroundColor('#EAF2FF').padding({ left: 4, right: 4 })
                })
              }
            }
            .width('100%')
            .padding(12)
            .backgroundColor(Color.White)
            .borderRadius(8)
            .onClick(() => this.reportClick(item))
          }
        }, (item: Course) => item.id)
      }
      .width('100%')
      .layoutWeight(1)
    }
    .width('100%')
    .height('100%')
    .padding(12)
    .backgroundColor('#F5F6FA')
  }
}

1. 路由与页面参数

// pages/Detail.ets
import { router } from '@ohos.router';
import { Course } from '../models/Course';

@Entry
@Component
struct DetailPage {
  @State course: Course = router.getParams() as Course;

  build() {
    Column({ space: 12 }) {
      Text(this.course.title).fontSize(20).fontWeight(FontWeight.Bold)
      Text(`学科:${this.course.subject}  难度:${this.course.difficulty}`)
      Text(`时长:${this.course.durationMin} 分钟  评分:${this.course.rating}`)
      Text(`标签:${this.course.tags.join('、')}`)
      Text('开始学习').fontSize(16).backgroundColor('#007DFF').fontColor(Color.White)
        .padding({ top: 8, bottom: 8, left: 16, right: 16 })
        .borderRadius(6)
        .onClick(() => {
          // 埋点 + 跳转学习页
          console.info(`[Analytics] start ${this.course.id}`);
        })
    }
    .width('100%')
    .padding(16)
  }
}

1. 路由配置

// resources/base/profile/main_pages.json
{
  "src": [
    "pages/RecommendPage",
    "pages/Detail"
  ]
}

• 运行结果
  • 首页展示按画像打分排序的课程卡片；点击进入详情；控制台输出埋点日志。
• 扩展点
  • 将 RecommendService.recommend 替换为 远程排序服务（传入用户向量与候选集 ID，返回排序后的 ID 列表）。
  • 端侧引入 AB 实验与 本地缓存（LRU，TTL=24h），弱网下可降级展示。

• 服务接口（Python/FastAPI）

# main.py
from fastapi import FastAPI
from pydantic import BaseModel
import json, random

app = FastAPI()

class Course(BaseModel):
    id: str
    subject: str
    tags: list[str]
    difficulty: int
    durationMin: int
    rating: float
    popularity: float

class User(BaseModel):
    subjects: list[str]
    difficulties: list[int]
    durations: list[int]
    tagWeights: dict[str, float]

@app.post("/recommend")
def recommend(user: User, top_n: int = 10):
    # 模拟召回候选集（真实项目从召回服务/向量库获取）
    candidates = [
        Course(id="c1", subject="数学", tags=["函数","高考"], difficulty=3, durationMin=25, rating=4.8, popularity=120),
        Course(id="c2", subject="物理", tags=["力学","入门"], difficulty=2, durationMin=20, rating=4.6, popularity=90),
        Course(id="c3", subject="数学", tags=["数论","竞赛"], difficulty=5, durationMin=40, rating=4.9, popularity=60),
        Course(id="c4", subject="英语", tags=["写作","高考"], difficulty=3, durationMin=30, rating=4.7, popularity=200),
    ]
    # 轻量打分（与端侧一致，真实项目替换为 XGBoost/LightGBM）
    def score(c: Course) -> float:
        s = 0
        s += 2 if c.difficulty in user.difficulties else 0
        s += 3 * sum(user.tagWeights.get(t, 0) for t in c.tags)
        s += 1 if any(abs(d - c.durationMin) <= 10 for d in user.durations) else 0
        s += 0.5 * c.rating + 0.1 * c.popularity
        return s
    ranked = sorted(candidates, key=score, reverse=True)[:top_n]
    return [c.id for c in ranked]

• 启动与联调
  • uvicorn main:app --reload --host 0.0.0.0 --port 8000
  • 客户端将 RecommendService.recommend 改为 http 请求 /recommend，传入用户与候选集。

• 功能
  • 冷启动：检查是否返回 6​ 门课程；切换 subjects/difficulties​ 后结果是否变化。
  • 点击埋点：控制台输出 click​ 日志；详情页可接收 id​ 参数。
  • 网络异常：断网时降级展示本地缓存或热门课程。
• 性能
  • 首屏渲染 ≤ 100ms（本地规则）；远程排序 ≤ 300ms（内网）。
  • 内存：列表滚动 60FPS，无抖动与泄漏（DevEco Profiler）。
• AB 实验
  • 分流 10%/10%/80%，对比 CTR/完课率/学习时长​ 差异，显著性检验 p<0.05。

• 端侧
  • AppGallery​ 发布，合规声明与权限最小化；支持 ArkUI 自适应布局​ 与 多设备形态（手机/平板/折叠屏）。
• 后端
  • Kubernetes​ 部署，服务网格与灰度发布；特征/召回/排序独立伸缩；日志与指标（Prometheus/Grafana）。
• 数据与模型
  • 离线训练 + 近线增量；特征库 TTL​ 管理；模型版本化与回滚；审计与合规留痕。

• 推荐不准
  • 检查画像是否覆盖最近行为；提升标签粒度；引入协同过滤/向量召回；近线特征延迟是否过高。
• 首屏慢
  • 端侧本地规则兜底；远程排序加缓存（TTL=5min）；骨架屏与图片懒加载。
• 冷启动曝光不足
  • 增加热门/新上好课兜底策略；基于设备地区/时段做地域与时序加权。
• 隐私合规
  • 端侧可算尽算；差分隐私噪声；用户可查看/删除画像与行为数据；最小化采集与明示同意。

• 端侧智能
  • 端侧小模型（蒸馏/量化）做粗排/重排，降低时延与带宽，增强隐私。
• 多模态内容理解
  • 课程视频ASR/视觉特征抽取，结合文本标签提升相似度召回质量。
• 跨设备连续学习
  • 利用 HarmonyOS 分布式能力，手机→平板接续学习后，推荐基于当前设备与时长偏好动态调整。
• 实时闭环
  • 秒级特征与分钟级模型更新，结合强化学习做策略优化。
• 挑战
  • 冷启动与稀疏行为；标签体系与质量；模型漂移与公平性；端侧资源与能耗约束；合规与审计。