web开发，在线%智能就业信息管理%系统，基于pycharm,html,css,jquery,python,django,sqlite。

经验心得
这个也是帮助客户修改的，通过和客户沟通可以发现，上一个技术真的是极其不负责任，界面整体设计也是绿的发慌不懂基本色彩搭配（几年前多亏一位留学哥们提供咱们学习的地方哈哈哈），测试数据集没有，各种错误的问题，直接给客户就不理。代码中很多业务逻辑看似没问题，一旦使用就各种报错出现了。代码是上一个接单人员通过ai生成的，只实现crud就完事了？业务逻辑这里也很容易在没源代码情况发现报错的问题，demo中有个面试时提交的功能，后端大概就是insert插入就不处理其他问题了,如果重复提交表单就会报错，因为django.db.utils.IntegrityError: UNIQUE constraint failed: users_interview.application_id，这就是对业务不熟悉的后果。其他还有更无语的地方，人工智能机器学习推荐算法，其实这个demo里面没有机器学sklearn的库，他就是使用两种基于规则的启发式推荐，协同过滤部分通过相似度找相似用户，再根据相似用户的行为加权推荐，另一个基于内容的推荐部分，根据用户收藏职位的类别,位置等特征，用硬编码的权重打分排序，这也是规则匹配，而非真正的特征学习。所以后面咱们需要帮助客户重新修改一下可以了。

没有模型训练过程：典型的机器学习推荐算法如矩阵分解，神经网络推荐等，咱们再复习一下之前的AI开发流程，需要经历"数据 -> 特征工程 -> 模型训练（fit） -> 预测的流程，会使用 sklearn,TensorFlow，pytorch,yolo等库,所以这段代码完全没有这些步骤。

没有从数据中学习参数：机器学习的关键在于模型能从历史数据中自动学习出参数和模式。而这段代码的所有权重（收藏×1.0,投递×2.0,类别×2.0,位置×1.5 等）都是人工硬编码的，不是从数据中学出来的。
相似度计算是即时计算的：每次请求都实时遍历所有用户计算相似度，而不是预先训练好一个相似度模型。

它实际做了什么：
这段代码实现的是两种基于规则的启发式推荐：
协同过滤部分（get_collaborative_filtering_recommendations）：用相似度找相似用户，再根据相似用户的行为加权推荐。思路是对的，但实现方式是纯规则驱动的，没有构建用户-物品评分矩阵，也没有用矩阵分解等模型化方法。
基于内容的推荐部分（get_content_based_recommendations）：根据用户收藏职位的类别,位置等特征，用硬编码的权重打分排序。这也是规则匹配，而非真正的特征学习。