DeepInsight：推荐系统可视化分析平台项目总结
DeepInsight 是一个围绕推荐系统实验管理构建的 Web 应用。项目的核心任务不是单独展示某个算法，而是把模型资产、数据集、评估指标、接入测试、知识资料、论坛和后台治理统一组织到浏览器端界面中。
最终报告把项目定位写得比较清楚：DeepInsight 要解决的是推荐系统实验信息分散的问题。原本模型代码、权重文件、日志、数据集和说明材料分别散落在不同目录和文档中，页面需要把它们整理成可查看、可复核、可演示的系统流程。
性能看板展示 HR@10、NDCG@10、Recall@10、MRR、RMSE、MAE 等指标，并区分已有记录、缺失字段和不可比较项。这样做的重点不是把数字摆满页面，而是让用户知道每个结果来自哪里，当前模型能说明什么，不能说明什么。
可视分析工作台把模型画像、数据规模、训练记录、请求摘要和分析说明放到同一视图中。它更接近最终报告中的“功能实现”部分，用页面把实验过程、数据来源和展示结果连起来。
项目背景
推荐系统课程项目很容易停留在算法脚本层面：能训练、能输出日志，但不一定能向其他人解释模型状态、数据规模和评估结论。DeepInsight 的起点就是把这部分内容从文件夹里搬到 Web 系统里。
项目围绕 BSARec、BERT4Rec、DuoRec、FEARec、FMLP-Rec、RecBole、SASRec、TiSASRec 等模型资产展开。系统不直接把服务器目录暴露给前端，而是由后端扫描和整理资产后返回模型名称、数据规模、指标字段和服务状态。
需求结构
系统需求按角色拆成三类。普通用户需要登录、浏览首页、查看模型、上传数据、阅读知识内容和使用 AI 工作区。研究型用户更关注模型状态、指标来源、数据规模和评估结果。管理员负责维护用户、知识文章、论坛内容、数据资产和 AI 配置。
这种角色划分决定了页面顺序。前台先给出首页和模型总览，让用户理解系统范围；中间用接入测试、数据集可视化和性能看板承接实验复核；后台则处理资源维护和权限控制。
功能模块
项目最终形成了七组主要能力：
- 登录注册、JWT 会话和角色识别。
- 推荐模型总览、模型说明和模型资产状态展示。
- 模型接入测试、Top-K 请求和服务状态反馈。
- 数据集上传、字段解析、样本预览和统计图表。
- 性能看板、指标对比和可视分析工作台。
- AI 工作区、知识中心和交流论坛。
- 后台用户、知识、论坛、数据和 AI 配置管理。
这些模块不是独立堆叠。模型总览提供资产入口，接入测试验证服务状态，数据集页面确认数据结构，性能看板展示评估记录，AI 和知识中心负责解释，后台负责治理。
数据和指标边界
DeepInsight 在实现中反复强调一个边界：没有来源的指标不展示成真实结果。页面可以保留缺失状态，也可以说明服务未接入，但不能用默认 0、随机数或静态文案把缺口掩盖掉。
这条原则影响了多个页面。性能看板只读取已有日志、metrics 文件或数据库评估记录；接入测试会区分真实推理、服务离线和未登记服务；AI 工作区在缺少上下文时只做解释和导航，不替代模型评估结论。
页面展示路线
如果按演示顺序看，DeepInsight 可以从首页进入模型总览，再到接入测试确认服务状态。随后进入数据集可视化查看字段、样本和统计结果，再进入性能看板对比指标，最后用可视分析工作台复核模型、数据和评估记录之间的关系。
知识中心和论坛属于补充说明层。知识中心沉淀模型、指标和数据格式资料；论坛保留讨论和材料补充；AI 工作区则根据站内内容提供问答和页面导航。
完成情况
从课程设计交付角度看，DeepInsight 已经覆盖前端路由、组件化、状态管理、后端分层、认证授权、数据库持久化、接口联调、文件上传、图表展示、后台管理和文档交付等能力。
从项目整理角度看，它完成的是把实验过程产品化展示的工作。模型、数据、指标、说明和管理入口被组织成连续链路，最终报告、PPT 和博客系列也围绕同一套结构展开。
DeepInsight 系列目录
这一篇是总复盘，后面 8 篇按最终报告的章节拆成更具体的模块说明：
总结
DeepInsight 的价值不在于单个页面做了多少效果，而在于它把推荐系统实验整理成一个可被阅读、操作、验证和维护的完整系统。最后的经验也可以迁移到更多项目整理工作中：先确认数据来源，再设计展示流程，最后把边界和结论写清楚。