# 快速开始 - 新版本
  
  ## 🚀 5分钟快速上手
  
  ### 1. 安装依赖
  
  ```bash
  cd /home/tw/recommendation
  pip install -r requirements.txt
  ```
  
  **新增依赖**: `elasticsearch>=8.0.0`
  
  ### 2. 测试ES连接
  
  ```bash
  cd offline_tasks
  python scripts/test_es_connection.py
  ```
  
  如果看到 ✓ 表示测试通过。
  
  ### 3. 运行所有任务
  
  ```bash
  python run_all.py
  ```
  
  就这么简单！不需要任何参数。
  
  ### 4. 加载到Redis
  
  ```bash
  python scripts/load_index_to_redis.py
  ```
  
  ## 📋 运行单个任务
  
  ### i2i相似索引
  
  ```bash
  # Swing算法
  python scripts/i2i_swing.py --lookback_days 30 --top_n 50 --time_decay
  
  # Session W2V
  python scripts/i2i_session_w2v.py --lookback_days 30 --top_n 50 --save_model
  
  # DeepWalk
  python scripts/i2i_deepwalk.py --lookback_days 30 --top_n 50 --save_model
  
  # 内容相似（ES向量）- 无需参数！
  python scripts/i2i_content_similar.py
  ```
  
  ### 兴趣聚合
  
  ```bash
  python scripts/interest_aggregation.py --lookback_days 30 --top_n 1000
  ```
  
  ## 🎯 主要变化
  
  ### 简化！简化！简化！
  
  #### 之前 (v1.0)
  ```bash
  python run_all.py \
    --lookback_days 30 \
    --top_n 50 \
    --skip-interest \
    --only-content \
    --debug
  ```
  
  #### 现在 (v2.0)
  ```bash
  python run_all.py
  # 或
  python run_all.py --debug  # 启用debug模式
  ```
  
  ### 内容相似索引
  
  #### 之前
  - 1个索引: `i2i_content_hybrid_*.txt`
  - 基于: 商品属性（分类、供应商等）
  - 参数: `--method hybrid --top_n 50`
  
  #### 现在
  - **2个索引**: 
    - `i2i_content_name_*.txt` (名称向量)
    - `i2i_content_pic_*.txt` (图片向量)
  - 基于: Elasticsearch深度学习向量
  - 参数: **无需参数！**
  
  ## 📊 输出文件
  
  ### 文件位置
  ```
  offline_tasks/output/
  ├── i2i_swing_20251017.txt          # Swing相似索引
  ├── i2i_session_w2v_20251017.txt    # Session W2V相似索引
  ├── i2i_deepwalk_20251017.txt       # DeepWalk相似索引
  ├── i2i_content_name_20251017.txt   # 名称向量相似索引 ⭐新
  ├── i2i_content_pic_20251017.txt    # 图片向量相似索引 ⭐新
  ├── interest_aggregation_hot_20251017.txt    # 热门商品
  ├── interest_aggregation_cart_20251017.txt   # 加购商品
  ├── interest_aggregation_new_20251017.txt    # 新品
  └── interest_aggregation_global_20251017.txt # 全局热门
  ```
  
  ### 文件格式
  ```
  item_id \t item_name \t similar_id1:score1,similar_id2:score2,...
  ```
  
  ## 🔍 查询示例
  
  ### Python查询
  
  ```python
  import redis
  import json
  
  # 连接Redis
  r = redis.Redis(host='localhost', port=6379, db=0, decode_responses=True)
  
  # 1. 获取Swing相似商品
  similar = json.loads(r.get('item:similar:swing:123456'))
  # 返回: [[234567, 0.8523], [345678, 0.7842], ...]
  
  # 2. 获取名称向量相似商品 ⭐新
  similar = json.loads(r.get('item:similar:content_name:123456'))
  # 返回: [[234567, 0.9234], [345678, 0.8756], ...]
  
  # 3. 获取图片向量相似商品 ⭐新
  similar = json.loads(r.get('item:similar:content_pic:123456'))
  # 返回: [[567890, 0.8123], [678901, 0.7856], ...]
  
  # 4. 获取热门商品
  hot_items = json.loads(r.get('interest:hot:platform:PC'))
  # 返回: [123456, 234567, 345678, ...]
  ```
  
  ### Redis CLI查询
  
  ```bash
  # 连接Redis
  redis-cli
  
  # 查看Swing相似商品
  GET item:similar:swing:123456
  
  # 查看名称向量相似商品 ⭐新
  GET item:similar:content_name:123456
  
  # 查看图片向量相似商品 ⭐新
  GET item:similar:content_pic:123456
  
  # 查看热门商品
  GET interest:hot:platform:PC
  ```
  
  ## ⚙️ 配置说明
  
  ### ES配置 (i2i_content_similar.py)
  
  ```python
  ES_CONFIG = {
      'host': 'http://localhost:9200',
      'index_name': 'spu',
      'username': 'essa',
      'password': '4hOaLaf41y2VuI8y'
  }
  ```
  
  ### 算法参数 (i2i_content_similar.py)
  
  ```python
  TOP_N = 50          # 每个商品返回50个相似商品
  KNN_K = 100         # KNN查询返回100个候选
  KNN_CANDIDATES = 200  # 候选池大小200
  ```
  
  ### 全局配置 (offline_config.py)
  
  ```python
  DEFAULT_LOOKBACK_DAYS = 30    # 回看天数
  DEFAULT_I2I_TOP_N = 50        # i2i Top N
  DEFAULT_INTEREST_TOP_N = 1000 # 兴趣聚合 Top N
  ```
  
  ## 🔧 故障排查
  
  ### ES连接失败
  
  ```bash
  # 1. 检查ES是否运行
  curl -u essa:4hOaLaf41y2VuI8y http://localhost:9200
  
  # 2. 运行测试脚本
  python scripts/test_es_connection.py
  
  # 3. 检查配置
  # 编辑 scripts/i2i_content_similar.py 中的 ES_CONFIG
  ```
  
  ### 商品ID不存在
  
  测试脚本默认使用 `item_id = "3302275"`，如果不存在：
  
  ```python
  # 编辑 test_es_connection.py
  test_item_id = "你的商品ID"
  ```
  
  ### Redis连接失败
  
  ```bash
  # 检查Redis配置
  cat offline_tasks/config/offline_config.py | grep REDIS
  
  # 测试Redis连接
  redis-cli ping
  ```
  
  ### 文件不存在
  
  ```bash
  # 检查output目录
  ls -lh offline_tasks/output/
  
  # 查看最新生成的文件
  ls -lht offline_tasks/output/ | head -10
  ```
  
  ## 📚 详细文档
  
  - **ES向量相似度**: `scripts/ES_VECTOR_SIMILARITY.md`
  - **更新说明**: `CONTENT_SIMILARITY_UPDATE.md`
  - **变更总结**: `CHANGES_SUMMARY.md`
  - **Redis规范**: `REDIS_DATA_SPEC.md`
  
  ## 🎓 学习路径
  
  ### 新用户
  1. 阅读本文档 ✓
  2. 运行 `test_es_connection.py`
  3. 运行 `run_all.py`
  4. 查看 `output/` 目录
  5. 加载到Redis并查询
  
  ### 进阶使用
  1. 阅读 `ES_VECTOR_SIMILARITY.md`
  2. 了解向量相似度原理
  3. 优化ES查询性能
  4. 自定义算法参数
  
  ### 开发者
  1. 阅读 `CONTENT_SIMILARITY_UPDATE.md`
  2. 了解技术架构
  3. 阅读源代码注释
  4. 贡献代码改进
  
  ## 🚨 注意事项
  
  ### ⚠️ 破坏性变化
  
  1. **i2i_content_similar.py 参数全部改变**
     - 旧: `--method`, `--top_n`, `--debug`
     - 新: 无参数
  
  2. **Redis Key格式改变**
     - 旧: `item:similar:content:{item_id}`
     - 新: `item:similar:content_name:{item_id}` 和 `item:similar:content_pic:{item_id}`
  
  3. **输出文件改变**
     - 旧: `i2i_content_hybrid_*.txt`
     - 新: `i2i_content_name_*.txt` 和 `i2i_content_pic_*.txt`
  
  ### ✅ 向后兼容
  
  - Swing、W2V、DeepWalk 算法不受影响
  - 兴趣聚合不受影响
  - Redis加载器向后兼容
  - 其他i2i索引继续工作
  
  ## 💡 最佳实践
  
  ### 运行频率
  - **行为相似** (Swing, W2V, DeepWalk): 每天
  - **内容相似** (名称向量, 图片向量): 每周
  - **兴趣聚合**: 每天
  
  ### Redis TTL
  - **行为相似**: 7天
  - **内容相似**: 30天
  - **兴趣聚合**: 3-7天
  
  ### 性能优化
  1. 使用 `--debug` 模式调试
  2. 先用小数据集测试
  3. 定期清理过期数据
  4. 监控ES查询性能
  
  ## 🎉 总结
  
  新版本大幅简化了使用，主要改进：
  
  1. ✅ **无需参数**: `run_all.py` 和 `i2i_content_similar.py` 无需参数
  2. ✅ **更强大**: 基于深度学习向量，更准确
  3. ✅ **多维度**: 名称 + 图片两个维度
  4. ✅ **更快**: ES KNN查询性能优秀
  5. ✅ **易维护**: 代码简洁，配置清晰
  
  开始使用新版本，享受更简单、更强大的推荐系统！
  
  ---
  
  **问题反馈**: 如有问题请查看详细文档或联系开发团队