山东大学项目实训3——推荐算法引擎与地图 LBS 服务的深度集成

一、 进展概述
近两周，项目进入了最核心的业务逻辑开发期。我主要负责了“需求匹配与智能推荐智能体”的开发，并完成了高德地图 SDK 的深度集成。目前，系统已实现从结构化请求到具体服务点的精准映射，并能根据机场实时状态（距离、拥挤度、开放时间）提供最优路径规划。此外，我还优化了“匹配结果页”的交互体验。
二、 需求匹配与智能推荐智能体实现
这是系统的“决策大脑”，我采用了“规则引擎 + 大模型重排”的双层架构：
候选召回与规则过滤（Rule Layer）：
根据前序智能体输出的结构化字段，首先在 MySQL 的 300+ 服务点数据中进行硬约束筛选。
硬约束指标：当前时间是否在开放范围内、服务点是否在当前航站楼、路径是否可达。
多目标排序与推荐解释（LLM Layer）：
将筛选后的 Top 5 候选点及旅客偏好（如“人少”、“最近”、“高评价”）推给大模型。
模型根据区域可达性、拥挤度预测进行排序，并生成推荐理由（例如：“为您推荐此咖啡厅，虽然距离多出 50 米，但目前排队人数较少，适合您 20 分钟后的登机安排”）。
这种设计既保证了结果的真实性，又赋予了交互“人的温度”。
三、 地图定位与路径规划集成
为了让导览“落地”，我完成了与高德开放平台（Amap SDK）的对接：
实时定位：在主控页与结果页实时获取旅客位置，计算旅客与服务点间的步行距离。
一键导航：在匹配结果页点击“去这里”，系统会自动调用地图 SDK 规划机场内部路线，并展示预计步行时间。
区域可达性判断：通过后端逻辑判断目标点是否跨越安检区，若跨区则自动弹出风险提示，防止旅客产生无效位移。
四、 匹配结果与替代方案页面开发
在 UI 实现上，我完成了“服务匹配结果页”的开发：
卡片式展示：清晰展示 Top 3 候选服务点的名称、区域、距离和匹配度评分。
动态替代方案：若首选服务点（如某餐厅）显示为“休息中”或“极度拥挤”，页面会自动展示替代方案并注明原因（如“首选店已打烊，为您推荐距离 100 米的同类店”）。
反馈闭环：用户点击选择某个服务点后，该选择将作为“履约任务”存入数据库，直接触发下一阶段的提醒预警逻辑。