京东零售基于Flink的推荐系统智能数据体系
摘要：本文整理自京东零售技术专家张颖老师，在 Flink Forward Asia 2024 生产实践（二）专场中的分享，介绍了基于Flink构建的推荐系统数据，以及Flink智能体系带来的智能服务功能。内容分为以下六个部分：
推荐系统架构
索引
样本
特征
可解释
指标
Tips：关注「公众号」回复 FFA 2024 查看会后资料～
基于 Flink + Redis 的实时特征工程实战：电商场景动态分桶计数实现
本文介绍了基于 Flink 与 Redis 构建的电商场景下实时特征工程解决方案，重点实现动态分桶计数等复杂特征计算。通过流处理引擎 Flink 实时加工用户行为数据，结合 Redis 高性能存储，满足推荐系统毫秒级特征更新需求。技术架构涵盖状态管理、窗口计算、Redis 数据模型设计及特征服务集成，有效提升模型预测效果与系统吞吐能力。
实时异常检测实战：Flink+PAI 算法模型服务化架构设计
本文深入探讨了基于 Apache Flink 与阿里云 PAI 构建的实时异常检测系统。内容涵盖技术演进、架构设计、核心模块实现及金融、工业等多领域实战案例，解析流处理、模型服务化、状态管理等关键技术，并提供性能优化与高可用方案，助力企业打造高效智能的实时异常检测平台。
SMOTE-XGBoost实战：金融风控中欺诈检测的样本不平衡解决方案
本文深入探讨金融支付风控领域中的欺诈检测问题，针对样本不平衡的核心痛点，提出一种基于动态密度SMOTE算法的改进方案，并结合优化后的XGBoost模型实现高性能检测。相比传统方法，本文方案在IEEE-CIS数据集上显著提升Recall（达0.85）和AUC-PR（达0.72），同时控制推理时延在合理范围。文章还详细解析特征工程体系、在线推理优化及动态阈值调整机制，并展望联邦学习与图神经网络等未来方向，为实际业务应用提供全面指导。
java 最新技术驱动的智能教育在线实验室设备管理与实验资源优化实操指南
这是一份基于最新技术的智能教育在线实验室设备管理与实验资源优化的实操指南，涵盖系统搭建、核心功能实现及优化策略。采用Flink实时处理、Kafka消息队列、Elasticsearch搜索分析和Redis缓存等技术栈，结合强化学习动态优化资源调度。指南详细描述了开发环境准备、基础组件部署、数据采集与处理、模型训练、API服务集成及性能调优步骤，支持高并发设备接入与低延迟处理，满足教育机构数字化转型需求。代码已提供下载链接，助力快速构建智能化实验室管理系统。
基于Java 17 + Spring Boot 3.2 + Flink 1.18的智慧实验室管理系统核心代码
这是一套基于Java 17、Spring Boot 3.2和Flink 1.18开发的智慧实验室管理系统核心代码。系统涵盖多协议设备接入（支持OPC UA、MQTT等12种工业协议）、实时异常检测（Flink流处理引擎实现设备状态监控）、强化学习调度（Q-Learning算法优化资源分配）、三维可视化（JavaFX与WebGL渲染实验室空间）、微服务架构（Spring Cloud构建分布式体系）及数据湖建设（Spark构建实验室数据仓库）。实际应用中，该系统显著提升了设备调度效率（响应时间从46分钟降至9秒）、设备利用率（从41%提升至89%），并大幅减少实验准备时间和维护成本。
