由于阿里短信的限制，这里我们提供演示账号：
手机号：17383836194
密码：test123456
由于演示服务器配置的限制，推荐系统相关代码并未部署到服务器上。
本项目建议在linux系统下运行。首先需要保证系统上有golang环境：
#克隆仓库
git clone https://github.com/Crazy-Young/7OxCloud.git
#安装依赖
go mod tidy第三方依赖：
- MySQL
- Redis
- Consul
- Nacos
- RabbitMQ
- Docker
- Nginx
- 七牛云对象存储
- 阿里云短信服务
- ......
建议使用docker来安装和部署相应依赖，教程可见：
https://blog.csdn.net/m0_63230155/article/details/134090405?spm=1001.2014.3001.5501
后端混合使用viper和nacos进行配置管理。需要分别编写api网关和微服务部分的config.yaml，这个config.yaml用于加载nacos的配置,例如:
host: '127.0.0.1'
port: 8848
namespace: '6a11f263-64a0-4ca5-8b69-1259cd14dc87'
user: 'nacos'
password: 'nacos'
dataId: '7OxCloud-Api.json'
group: 'dev'然后编写网关部分的nacos配置：
{
"api": {
"name": "7OxCloud-Api",
"host": "10.252.79.1",
"tags": ["7OxCloud","Api"]
},
"service": {
"user": "UserService",
"video": "VideoService",
"interaction": "InteractionService",
"social": "SocialService"
},
"jwt": {
"signingKey": "7OxCloudByPalp1tate",
"expiration": 60
},
"sms": {
"accessKeyId": "",
"accessKeySecret": "",
"signName": "",
"templateCode": ""
},
"redis": {
"host": "127.0.0.1",
"port": 6379,
"database": 0,
"expiration": 120
},
"consul": {
"host": "127.0.0.1",
"port": 8500
},
"qiniuyun": {
"accessKey": "",
"secretKey": "",
"bucket": "",
"domain": ""
}
}由于使用的是分布式微服务架构，并引入了分布式配置中心，配置较为复杂，上述的两个操作只演示了网关部分，微服务部分的操作类似，在此不做赘述。
安装好相应的依赖并配置好后，只需要简单的命令即可启动项目：
#进入项目根目录
cd 7OxCloud
#提高脚本执行权限
sudo chmod 777 run.sh
#执行脚本
./run.sh注意到该脚本也会自动启动nginx，确保其已经部署完成。
通过上述的操作，用户微服务、视频微服务、社交微服务、互动微服务、定时任务、两个api网关（nginx做反向代理）均会启动。当然每个微服务，网关可以同时开启多个，来提高整个系统的并发量。
运行本项目需安装node，无node环境无法运行开发环境。如需安装node，请在官网安装稳定版，官网链接：Node.js (nodejs.org)。
运行项目node版本须在 v16.0+。
若需要运行开发环境，请在项目根目录下打开命令行使用以下指令，运行成功后项目运行在本地8080端口：
# 切换到web目录
$ cd ./web
# 安装依赖 也可以使用 npm i
$ npm install
# 运行项目
$ npm run serve如需配置本地代理地址为本地网址，只需修改vue.config.js中proxy中/api配置的target为本地后端服务地址即可。
如需配置生产环境地址，可修改.env.production文件中的VUE_APP_API_BASE_URL，此时打包文件请求接口基地址均为设定后端服务地址。
生产环境请直接运行dist文件夹下的内容，也可以直接双击打开index.html文件（不推荐）。
请在项目根目录下使用以下指令（如使用指令时遇到选择，请选择 y ）：
# 切换到web目录
$ cd ./web/dist
# 若有node环境，可执行：
$ npx serve
# 若有python环境，可执行：
$ python -m http.server推荐系统部分基于2022年WWW（CCF A)顶会的Paper "Filter-enhanced MLP is All You Need for Sequential Recommendation"。本项目推荐系统代码部分为仓库主目录下的FMLP-RecSys文件夹
请提前下载安装python环境，具体见Download Python | Python.org
项目需要的依赖及库已经形成于FMLP-RecSys/requirements.txt文件中，运行以下代码即可：
pip install -r FMLP-RecSys/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple- Install Python, Pytorch(>=1.8).
- 如果你准备使用 GPU 计算,请安装 CUDA，并结合CUDA版本安装对应适配的Pytorch及相关库.具体可参考Pytorch官网：Start Locally | PyTorch
推荐系统部分被设计成一个服务端，用来与后端系统进行信息交互。因此在确保上述依赖和环境安装好的基础上，直接运行下述代码即可：
#如果想将该系统挂为后台应用，请参考使用linux screen命令
screen -S fmlp
screen -r fmlp
#注意运行server.py的主目录需要为FMLP-RecSys，否则可能会出现一些相对路径的问题
#切换到算法部分代码主目录
cd FMLP-RecSys
#将本机运行为服务端，请结合后端代码修改对应的监听端口
python server.py 项目中main.py文件用于使用最新接受的数据来训练模型并生成模型文件，test.py文件用于根据后端发送过来的用户ID调用之前最新的模型以计算该用户最匹配的20个视频ID（为了方式与历史交互记录中的视频重合以及出现视频ID没有在任何人的交互记录中见过的情况，项目推荐结果生成之后会做一些筛选，因此总视频数可能会少于20）
后端系统会定期发送最新的交互记录记录（video-log.csv）并请求模型训练，代码将使用FMLP模型进行训练并保存本地模型文件；后端如若发送用户ID，代码将自动调用test.py文件的测试模型的接口进行该用户的top20匹配视频的推荐。
- 如果本地没有最新的模型文件，推荐将变为随机推荐。
- 用于训练的交互记录里（主要针对第一次训练），总视频ID总类需大于20，否则将会无法训练，继续使用随机推荐。
- 模型会自动筛掉用于训练的交互记录中交互数量小于3条的用户，因为模型至少需要分割成train、valid、test集才可进行训练，但模型会保存用户交互记录至本地的data/video-log-sorted-mapped.json文件，该文件将持续更新。
- 模型如果收到一个新用户的ID，将随机使用一位已记录过的其他用户的历史交互记录进行初始推荐，后续模型会根据该用户之后的交互进行更个性化更准确的推荐。
注意：需保证main.py和test.py中的模型参数一致！！
下述例举一些比较重要、影响模型较大的超参，可以根据个人需求和硬件情况进行个性化的更改：
- hidden_size：hidden size of model
- num_hidden_layers：number of filter-enhanced blocks
- max_seq_length：用于训练使用最长历史交互序列长度
- epochs：训练轮数
- batch_size：训练的batch大小
- hidden_size： hidden size of model，模型使用的向量的大小。
