AI 應用

#Context-aware Recommendation Platform

情境感知推薦系統。整合天氣、地點、預算、時間等外部資料，提供個人化的餐飲推薦。

Node.jsExpressTypeScriptSQLiteWeather APIExternal API IntegrationDocker

Context-aware Recommendation Platform 系統畫面

實際系統畫面 — 實際查詢「台北車站附近的拉麵，200 元以內」。上方是 AI 的處理管線（意圖 → 天氣 → 搜尋 → 排序），它把體感換算成「流汗指數 5、步行 8 分鐘內」當作排序條件；下方 60 秒內回傳 14 間餐廳，整合評分、外送時間與 Google Maps / Uber Eats。（點擊圖片看原圖）

// 為什麼會做

##背景

日常決策，特別是在辦公環境的餐飲選擇，需要綜合考量天氣、距離、預算、時間等多個因素。

// 遇到什麼問題

##問題

缺乏系統化的決策輔助，每次選擇都需要重複評估多個變數，增加日常決策的時間成本。

// 如何解決

##解法

建立多階層推薦流程：收集 User Context → 整合天氣資料 → 結合地理資訊與餐飲來源 → 套用規則決策邏輯 → 產生個人化推薦。

// 我負責什麼

##我的角色

設計多階層推薦管線與規則決策邏輯，整合天氣／地理／餐飲外部 API，後端開發

// result

##成果

實測「台北車站附近的拉麵、200 元以內」：60 秒內回傳 14 間整合評分、外送時間與地圖連結的餐廳，體感條件（流汗指數、步行分鐘數）納入排序。