CSDN网站个性化推荐功能测试

番茄没有错 2023-春-学生 2023-06-24 11:25:50

一、题目

      CSDN网站个性化推荐功能测试

二、要求

 阅读文章《个性化推荐 - 帮我们测试和改进》链接,完成文章提出的测试要求。

本博客是为了完成这个找 bug 号召: https://bbs.csdn.net/topics/614134877

测试环境(没有启用浏览器无痕模式):

 

一、测试场景之一:兴趣标签
场景1.1
1)选择标签的过程,对你非常友好么?

我觉得算是比较友好的,标签涵盖了大部分现在社会常用的语言选项,可以让用户直观的进行一个选择

 

发现的问题:网页版刚登录的时候并没有跳出标签选择,还是在看了个性化推荐文章后才发现在个人中心界面选择,APP版则会在登录首页看见兴趣标签选项和推荐关注的相关知识类博主。且我认为兴趣标签可以再细化一下,虽然用户可以点击标签后再对此进行细分选择,但是对不熟悉的内容且对它感兴趣时你不知道从哪个大类里面找到它,增加寻找时间,消耗用户耐心

改进建议:网页版用户登录时可以给出明显的兴趣标签选择提示,同时标签可以进一步细化,比如增加课程设计相关资料的标签,大学生就业面试标签等等,且我觉得可以增加标签搜索这个功能,让用户更快的找到你感兴趣但又不知道属于哪个模块下的标签


2)你选择了新的兴趣,推荐流中的博客,逐渐适合你的新兴趣了么?

逐渐适合了我的兴趣,刚刚重新选择了标签python,进行第一次网页刷新后发现出现python标签的文章很少,只有一篇文章(更多出现的是我之前经常搜索的问题相关文章),进行到第四次首页刷新后可以明显看见带有python的文章增多了。

 

场景1.2
在同样的地方,我们还有一个 不感兴趣 的列表,也请你选择一些兴趣加到这里面。主要测试的方面,和 1.1 类似,也请你测试一下。(我选择的不感兴趣的标签是人工智能机器学习)

 下面是我未选择对机器学习不感兴趣的标签时首页出现的内容

 对首页进行多次刷新后会发现人工智能机器学习相关话题的帖子一篇都没有出现

测试场景之二: 不看此作者
在 web / App 的推荐流中,我们都可以选中一个推荐条目的 "..." 按钮,在下面的菜单中选择:不看此作者

我对两个经常出现在首页的作者点击了不感兴趣后(一个点赞数量为28,另一个点赞数量为0的帖子),对首页进行第一次刷新后首页并没有出现这两个作者的任何相关文章,反馈比较成功

 

测试场景之三: 选择你的身份 (功能还在完善中)
同样在个人中心的最下面,你可以看到身份选择的界面。 注意,你要把鼠标挪到 “大四” 的文字上,才能看到 “编辑” 的按钮 (你觉得这个设计怎么样?)

我觉得这个设计不太好,有的时候对急于修改身份的人来说可能会想不到“编辑”的按钮出现的条件是你要把鼠标放在文字上,浪费用户时间(也没有相关提示信息,提醒用户如何去修改你的身份信息)。

(1)选择和你实际身份相符的类别

 

(2)我是大二学生,软件工程专业大学会遇到很多计算机相关核心课程,我觉得可以多推荐一些课程专业知识总结,以及相关知识语言的学习方法和扩展内容

...全文
582 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文围绕“阶梯碳下考虑P2G-CCS与供需灵活响应的IES优化调度”展开,基于Matlab平台构建综合能源系统(IES)在阶梯式碳交易机制下的优化调度模型。研究深度融合电制气(P2G)与碳捕集、利用与封存(CCS)技术,结合需求侧灵活响应机制,旨在提升系统的低碳运行能力与经济性。通过建立多能流耦合的优化模型,协调电力、天然气、热力等多种能源形式的协同调度,有效降低系统碳排放强度,并借助YALIMIP工具包调用求解器进行高效求解。文档提供了完整的代码实现、模型构建流程与结果分析方法,涵盖从问题建模到仿真实现的全过程,具备较强的可复现性与科研参考价值。; 适合人群:具备电力系统、能源系统或优化建模相关背景的研究生、高校教师及工程技术人员,尤其适合从事综合能源系统、碳减排策略、P2G与CCS技术集成研究的专业人员,需熟练掌握Matlab编程与基本的数学规划知识。; 使用场景及目标:①用于研究阶梯式碳交易政策下综合能源系统的低碳经济调度策略;②支撑P2G-CCS技术与需求响应机制在IES中的仿真集成与性能评估;③作为撰写高水平学术论文(如EI/SCI收录)的技术基础与复现资源,推动碳中和背景下能源系统优化方向的创新研究。; 阅读建议:建议结合百度网盘提供的完整代码与资料包,按照模块逐步调试程序,重点理解目标函数的设计逻辑、碳交易成本的建模方式、约束条件的数学表达及求解器的配置方法,同时关注多能耦合设备的建模细节,配合公众号“荔枝科研社”获取持续的技术支持与案例拓展。
内容概要:本文系统研究了基于卷积神经网络(CNN)与支持向量机(SVM)融合的CNN-SVM混合模型在数据分类预测中的应用,尤其聚焦于工业故障识别领域。通过Matlab平台实现,该方法首先利用CNN强大的多层次特征提取能力对原始输入数据进行深度特征学习,自动捕获关键局部模式与空间结构信息,随后将提取的高层特征作为输入传递至SVM分类器,借助SVM在高维空间中小样本条件下卓越的分类性能与泛化能力完成最终判别任务。文中详尽阐述了模型的整体架构设计、网络参数配置、训练优化流程及特征迁移机制,充分结合了深度学习在特征表达上的优势与传统机器学习在分类决策上的稳健性。实验部分通过实际故障数据集验证了该混合模型相较于单一CNN或SVM模型在分类准确率、鲁棒性和抗过拟合能力方面的显著提升,证明了其在复杂故障诊断任务中的有效性与先进性; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事故障诊断、模式识别、智能制造、电力系统监控或工业数据分析等相关领域的研究生、科研人员及工程技术开发者; 使用场景及目标:① 应用于旋转机械、电力设备、航空航天等领域的多类别故障识别与状态监测;② 掌握深度特征提取与传统分类器融合的技术路径,提升小样本、高噪声环境下数据分类的精度与可靠性;③ 为撰写高水平学术论文、开展科研项目或工程实践提供可复现的算法框架与完整代码支持; 阅读建议:读者应深入理解CNN与SVM的协同工作机制,重点分析特征提取层与分类层之间的接口设计,建议动手运行并调试所提供的Matlab代码,尝试在不同数据集上进行迁移实验与参数调优,以全面掌握该混合模型的应用技巧与优化策略。

162

社区成员

发帖
与我相关
我的任务
社区描述
软件工程老师
python 高校 江苏省·南通市
社区管理员
  • juking@ntu
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧