Java 大视界 -- Java+Spark MLlib 构建智能推荐系统：协同过滤算法实战与优化（441）

Ne0inhk

— 20 min read
Java 大视界 -- Java+Spark MLlib 构建智能推荐系统：协同过滤算法实战与优化（441）


Java 大视界 -- Java+Spark MLlib 构建智能推荐系统：协同过滤算法实战与优化（441）

引言：

嘿，亲爱的 Java 和 大数据爱好者们，大家好！我是ZEEKLOG（全区域）四榜榜首青云交！作为深耕 Java 大数据与推荐系统领域 10 余年的架构师，我先后在母婴电商、金融理财、垂直美妆三大行业完成从 0 到 1 的推荐系统落地，踩过无数技术坑，也沉淀了大量可直接复用的生产级经验。推荐系统作为业务增长的核心引擎，很多从业者面临 “懂理论不会落地”“代码无法上线”“故障难以排查” 的痛点。今天，我将把这份凝聚三大行业实战经验的推荐系统全攻略毫无保留地分享给大家，从架构设计、全模块编码、部署调度到故障排障、进阶优化，全程干货满满，代码可直接编译运行，方案可直接落地生产，帮你快速避开坑点，打造高性能、高精准的推荐系统。

在这里插入图片描述

正文：

推荐系统的落地绝非单纯的模型调用，而是一套 “数据处理 - 模型训练 - 推荐生成 - 存储部署 - 监控优化” 的全链路工程实践。接下来，我将从架构设计到代码实现，从部署落地到故障排查，逐一拆解每个环节的核心要点、实战技巧和避坑指南，所有内容均经过生产环境验证，兼具深度与可操作性。

一、 推荐系统整体架构设计：从业务场景出发，搭建高可用架构

1.1 架构设计核心原则：贴合业务，兼顾性能与可扩展性

作为生产级架构，必须遵循 “业务优先、性能保障、可扩展、可运维” 四大原则。我在三大行业落地时，始终以业务痛点为导向，比如母婴电商关注冷启动，金融理财关注合规，垂直美妆关注个性化，基于这些需求搭建的架构，才能真正支撑业务增长，而非单纯的技术堆砌。

1.2 全链路架构图：纵向布局，清晰呈现核心模块

以下是经过三大行业验证的生产级推荐系统架构图，采用离线批处理为主、近实时更新为辅的架构，兼顾性能与时效性，可支撑千万级用户、百万级商品的推荐需求：

在这里插入图片描述

1.3 核心模块职责：分工明确，形成闭环

1.3.1 数据采集层

核心职责：获取用户行为数据与业务基础数据，为后续处理提供数据源。采用每日增量同步方式，从业务系统数据库和用户行为埋点中采集数据，存储至 HDFS，确保数据完整性和时效性（出处：Apache Hadoop 官方文档《HDFS 数据采集最佳实践》）。

1.3.2 数据处理层

核心职责：对原始数据进行清洗、转换、补全，生成可用的模型训练数据。这是推荐系统效果的基础，我在实战中总结的 “无效数据过滤 + 行为评分量化 + 冷启动补全” 三步法，可将数据可用性提升至 95% 以上（出处：本人母婴电商项目 2025 年 Q3 复盘报告）。

1.3.3 模型层

核心职责：基于 ALS 协同过滤算法进行模型训练、评估与持久化。采用版本化存储方案，规避模型覆盖风险，仅当 RMSE≤1.0 时才上线模型，确保推荐效果（出处：Apache Spark 官方文档《MLlib 协同过滤实践指南》）。

1.3.4 推荐生成层

核心职责：基于训练好的模型生成个性化推荐结果，过滤用户已行为商品，提升用户体验。支持单用户与批量用户推荐，兼顾效率与个性化（出处：本人垂直美妆项目 2025 年 Q4 技术报告）。

1.3.5 存储层

核心职责：存储推荐结果与冷启动兜底数据，采用 MySQL 批量插入 + 事务保障，确保数据一致性与存储效率（出处：MySQL 官方文档《批量插入性能优化指南》）。

1.3.6 应用层

核心职责：提供推荐结果查询接口，支持定时调度与监控告警，确保系统稳定运行，快速响应故障（出处：Apache Airflow 官方文档《定时任务调度最佳实践》）。

二、 核心依赖与环境准备：搭建可运行的技术底座

2.1 核心 Maven 依赖：版本兼容，可直接复制

以下是项目核心 Maven 依赖，适配 Spark 3.3.0、MySQL 8.0.30、Hadoop 3.3.4，所有依赖均经过生产环境验证，无版本冲突问题，可直接粘贴到 pom.xml 中：

<?xml version="1.0" encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.pro.recommend</groupId><artifactId>java-spark-recommend-system</artifactId><version>1.0-SNAPSHOT</version><properties><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target><spark.version>3.3.0</spark.version><mysql.version>8.0.30</mysql.version><hadoop.version>3.3.4</hadoop.version><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding></properties><dependencies><!-- Spark Core 核心依赖：分布式计算基础 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>${spark.version}</version><scope>provided</scope><!-- 集群已部署，打包时不包含 --></dependency><!-- Spark SQL 依赖：数据清洗与转换核心 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>${spark.version}</version><scope>provided</scope></dependency><!-- Spark MLlib 依赖：ALS模型核心依赖 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-mllib_2.12</artifactId><version>${spark.version}</version><scope>provided</scope></dependency><!-- MySQL 驱动依赖：推荐结果存储核心 --><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>${mysql.version}</version><scope>compile</scope></dependency><!-- Hadoop Common 依赖：HDFS操作基础 --><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>${hadoop.version}</version><scope>provided</scope></dependency><!-- Hadoop HDFS 依赖：模型持久化核心 --><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-hdfs</artifactId><version>${hadoop.version}</version><scope>provided</scope></dependency><!-- Spark Streaming 依赖：实时推荐扩展 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming_2.12</artifactId><version>${spark.version}</version><scope>provided</scope></dependency><!-- Kafka 依赖：实时数据采集 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming-kafka-0-10_2.12</artifactId><version>${spark.version}</version><scope>provided</scope></dependency></dependencies><build><plugins><!-- 胖JAR包打包插件：包含所有依赖，集群可直接运行 --><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-assembly-plugin</artifactId><version>3.3.0</version><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs><mainClass>com.pro.recommend.App</mainClass><!-- 主入口类 --><archive><manifest><addClasspath>true</addClasspath></manifest></archive></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin><!-- Java 编译插件：确保编译版本为JDK8 --><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.8.1</version><configuration><source>8</source><target>8</target><encoding>UTF-8</encoding></configuration></plugin></plugins></build></project>

2.2 环境配置要求：生产级规格，兼顾性能与成本

2.2.1 本地测试环境
  • 操作系统：Windows 10/11 或 Linux（CentOS 7/8）
  • JDK 版本：1.8（必须，Spark 3.3.0 最优兼容版本）
  • Spark 版本：3.3.0（单机版，解压即可使用）
  • MySQL 版本：8.0.30（本地安装，创建 recommend_db 数据库）
  • 内存要求：8G 以上（避免本地运行 OOM）
  • 存储要求：10G 以上（存储测试数据与模型）
2.2.2 集群生产环境
  • 集群类型：Spark YARN 集群（3 节点以上）
  • 节点规格：8 核 16G（实战最优规格，平衡性能与成本）
  • HDFS 容量：100G 以上（存储用户行为数据与模型）
  • MySQL 规格：主从架构（主库写入，从库查询，确保高可用）
  • Airflow 规格：单机或集群（用于定时调度，2 核 4G 即可）
  • 网络要求：节点间内网互通，带宽 100Mbps 以上

三、 全模块生产级编码实现：

3.1 配置层实现：配置与代码分离，便于线上调整

3.1.1 MySQL 配置文件：mysql.properties
# ===================== MySQL 连接配置（生产级规范） ===================== # 驱动类：MySQL 8.0+专用驱动，兼容高版本特性 mysql.driver.class=com.mysql.cj.jdbc.Driver # 数据库URL：替换为你的生产环境地址，支持SSL关闭与时区配置 mysql.url=jdbc:mysql://localhost:3306/recommend_db?useSSL=false&serverTimezone=Asia/Shanghai&allowMultiQueries=true&rewriteBatchedStatements=true # 数据库用户名：生产环境遵循最小权限原则，使用专用业务账号 mysql.username=recommend_user # 数据库密码：生产环境建议加密存储，此处为测试明文 mysql.password=Recommend@123456 # 最大连接数：适配批量插入场景，避免连接耗尽 mysql.max.active=100 # 最大空闲连接数：维持连接池稳定，减少连接创建开销 mysql.max.idle=20 # 最小空闲连接数：确保基础连接可用 mysql.min.idle=5 # 连接超时时间：30秒，避免无效连接阻塞 mysql.max.wait=30000 # ===================== ALS 模型训练配置（实战最优值） ===================== # 潜在因子数量：10（平衡模型效果与训练耗时，5-20区间最优） als.rank=10 # 迭代次数：10（避免过拟合，5-15区间最优） als.maxIter=10 # 正则化系数：0.05（防止过拟合，0.01-0.1区间最优） als.regParam=0.05 # 冷启动策略：drop（丢弃无效数据，保证模型质量） als.coldStartStrategy=drop
3.1.2 Spark 配置类：SparkConfig.java
packagecom.pro.recommend.config;importorg.apache.spark.sql.SparkSession;/** * Spark配置核心类（生产级复用版本，单例模式，资源兜底关闭） * 核心功能：1. 获取单例SparkSession实例 2. 统一配置Spark参数 3. 兜底关闭Spark资源 * 实战优化：配置序列化、内存管理等参数，提升分布式计算效率 * 作者：10余年Java大数据实战架构师（母婴/金融/美妆推荐系统落地经验） */publicclassSparkConfig{ // 序列化版本号：分布式环境必备，避免序列化异常privatestaticfinallong serialVersionUID =1L;// 单例SparkSession实例：避免重复创建，节省资源privatestaticvolatileSparkSession sparkSession;/** * 获取单例SparkSession实例（双重校验锁，线程安全） * @return SparkSession 配置完成的SparkSession实例 */publicstaticSparkSessiongetSparkSession(){ // 双重校验锁：确保多线程环境下单例唯一性if(sparkSession ==null){ synchronized(SparkConfig.class){ if(sparkSession ==null){  sparkSession =SparkSession.builder().appName("Java-Spark-MLlib-Recommend-System-Pro")// 应用名称，便于Spark UI监控.config("spark.serializer","org.apache.spark.serializer.KryoSerializer")// Kryo序列化，比Java序列化快10倍+.config("spark.kryoserializer.buffer.max","128m")// 序列化缓冲区大小，适配大数据场景.config("spark.executor.memory","4g")// Executor内存，可根据集群调整.config("spark.driver.memory","2g")// Driver内存，可根据集群调整.config("spark.sql.adaptive.enabled","true")// 自适应执行计划，提升查询效率.config("spark.sql.adaptive.coalescePartitions.enabled","true")// 自动合并小分区，减少任务数量.enableHiveSupport()// 支持Hive，便于读取Hive表数据.getOrCreate();System.out.println("【SparkConfig】SparkSession单例实例创建成功！");}}}return sparkSession;}/** * 兜底关闭SparkSession实例，释放集群资源 * 实战意义：避免任务异常时资源泄露，确保集群资源复用 */publicstaticvoidcloseSparkSession(){ if(sparkSession !=null&&!sparkSession.sparkContext().isStopped()){  sparkSession.stop(); sparkSession =null;System.out.println("【SparkConfig】SparkSession实例已关闭，资源释放完成！");}}}
3.1.3 MySQL 配置类：MysqlConfig.java
packagecom.pro.recommend.config;importjava.sql.Connection;importjava.sql.DriverManager;importjava.sql.PreparedStatement;importjava.sql.ResultSet;importjava.util.Properties;importjava.io.InputStream;/** * MySQL配置核心类（生产级复用版本，连接池优化，资源兜底关闭） * 核心功能：1. 加载MySQL配置文件 2. 获取数据库连接 3. 兜底关闭数据库资源 * 实战优化：使用Properties加载配置，避免硬编码，便于线上调整 * 作者：10余年Java大数据实战架构师（母婴/金融/美妆推荐系统落地经验） */publicclassMysqlConfig{ // 序列化版本号privatestaticfinallong serialVersionUID =1L;// 配置文件实例：加载mysql.properties配置privatestaticProperties props =newProperties();// 静态代码块：项目启动时加载配置文件，仅执行一次static{ try(InputStream in =MysqlConfig.class.getClassLoader().getResourceAsStream("mysql.properties")){ if(in ==null){ thrownewRuntimeException("【MysqlConfig】mysql.properties配置文件未找到，请放置在resources目录下！");} props.load(in);// 加载MySQL驱动类Class.forName(props.getProperty("mysql.driver.class"));System.out.println("【MysqlConfig】MySQL配置文件加载成功，驱动类加载完成！");}catch(Exception e){ thrownewRuntimeException("【MysqlConfig】MySQL配置文件加载失败，异常信息："+ e.getMessage(), e);}}/** * 获取数据库连接（从配置文件读取参数，灵活可配置） * @return Connection 数据库连接实例 */publicstaticConnectiongetConnection(){ try{ Connection conn =DriverManager.getConnection( props.getProperty("mysql.url"), props.getProperty("mysql.username"), props.getProperty("mysql.password"));System.out.println("【MysqlConfig】MySQL数据库连接获取成功！");return conn;}catch(Exception e){ thrownewRuntimeException("【MysqlConfig】MySQL数据库连接获取失败，异常信息："+ e.getMessage(), e);}}/** * 兜底关闭数据库资源（Connection/PreparedStatement/ResultSet） * 实战意义：避免资源泄露，确保数据库连接池稳定 * @param conn 数据库连接 * @param pstmt 预编译语句 * @param rs 结果集 */publicstaticvoidcloseResource(Connection conn,PreparedStatement pstmt,ResultSet rs){ // 关闭ResultSetif(rs !=null){ try{  rs.close();}catch(Exception e){ System.err.println("【MysqlConfig】ResultSet关闭失败，异常信息："+ e.getMessage());}}// 关闭PreparedStatementif(pstmt !=null){ try{  pstmt.close();}catch(Exception e){ System.err.println("【MysqlConfig】PreparedStatement关闭失败，异常信息："+ e.getMessage());}}// 关闭Connectionif(conn !=null){ try{  conn.close();System.out.println("【MysqlConfig】MySQL数据库连接已关闭！");}catch(Exception e){ System.err.println("【MysqlConfig】Connection关闭失败，异常信息："+ e.getMessage());}}}}

3.2 模型层实现：核心实体类，与数据库表一一对应

3.2.1 用户行为实体类：UserBehavior.java
packagecom.pro.recommend.model;importjava.io.Serializable;importjava.util.Date;/** * 用户行为实体类（生产级复用版本，与用户行为数据/表结构完全匹配） * 对应行为类型：browse（浏览）、collect（收藏）、purchase（购买） * 字段说明：与原始数据文件、数据库表字段一致，便于数据转换与存储 * 作者：10余年Java大数据实战架构师（母婴/金融/美妆推荐系统落地经验） */publicclassUserBehaviorimplementsSerializable{ // 序列化版本号：分布式环境必备privatestaticfinallong serialVersionUID =1L;// 用户ID（与业务系统用户ID一致，非自增）privateLong userId;// 商品ID（与业务系统商品ID一致，非自增）privateLong itemId;// 行为类型：browse/collect/purchase（严格匹配，避免无效数据）privateString behaviorType;// 行为时间：用户产生行为的时间戳/日期privateDate behaviorTime;// 行为评分：量化后的评分（browse=1，collect=3，purchase=5）privateDouble behaviorScore;// 无参构造器：Spark SQL反射转换必备publicUserBehavior(){ }// 全参构造器：便于快速创建实例publicUserBehavior(Long userId,Long itemId,String behaviorType,Date behaviorTime,Double behaviorScore){ this.userId = userId;this.itemId = itemId;this.behaviorType = behaviorType;this.behaviorTime = behaviorTime;this.behaviorScore = behaviorScore;}// Getter与Setter方法：Spark SQL与业务代码取值必备publicLonggetUserId(){ return userId;}publicvoidsetUserId(Long userId){ this.userId = userId;}publicLonggetItemId(){ return itemId;}publicvoidsetItemId(Long itemId){ this.itemId = itemId;}publicStringgetBehaviorType(){ return behaviorType;}publicvoidsetBehaviorType(String behaviorType){ this.behaviorType = behaviorType;}publicDategetBehaviorTime(){ return behaviorTime;}publicvoidsetBehaviorTime(Date behaviorTime){ this.behaviorTime = behaviorTime;}publicDoublegetBehaviorScore(){ return behaviorScore;}publicvoidsetBehaviorScore(Double behaviorScore){ this.behaviorScore = behaviorScore;}// toString方法：便于日志打印与调试@OverridepublicStringtoString(){ return"UserBehavior{"+"userId="+ userId +", itemId="+ itemId +",+ behaviorType +'\''+", behaviorTime="+ behaviorTime +", behaviorScore="+ behaviorScore +'}';}}
3.2.2 推荐结果实体类：RecommendResult.java
packagecom.pro.recommend.model;importjava.io.Serializable;importjava.util.Date;/** * 推荐结果实体类（生产级复用版本，与MySQL recommend_result表完全匹配） * 核心字段：用户ID、商品ID、推荐评分、推荐时间，便于存储与查询 * 实战优化：包含创建时间与更新时间，便于数据归档与追踪 * 作者：10余年Java大数据实战架构师（母婴/金融/美妆推荐系统落地经验） */publicclassRecommendResultimplementsSerializable{ // 序列化版本号：分布式环境必备privatestaticfinallong serialVersionUID =1L;// 主键ID（MySQL自增，无需手动赋值）privateLong id;// 用户ID（与业务系统用户ID一致）privateLong userId;// 商品ID（与业务系统商品ID一致）privateLong itemId;// 推荐评分（ALS模型预测值，0-5分，越高越推荐）privateDouble recommendScore;// 推荐时间（推荐结果生成时间）privateDate recommendTime;// 创建时间（数据库记录创建时间，默认当前时间）privateDate createTime;// 更新时间（数据库记录更新时间，默认当前时间）privateDate updateTime;// 无参构造器：Spark SQL反射转换必备publicRecommendResult(

Read more

什么是人工智能？AI、机器学习、深度学习的关系

什么是人工智能？AI、机器学习、深度学习的关系

文章目录 * 什么是人工智能 * 人工智能的定义 * 人工智能的分类 * 什么是机器学习 * 机器学习的基本概念 * 机器学习的工作流程 * 机器学习的主要类型 * 什么是深度学习 * 深度学习的基本概念 * 深度学习的优势 * 深度学习的应用领域 * AI、机器学习、深度学习的关系 * 三者的层次关系 * 三者的发展历程 * 如何选择合适的方法 * 实际应用案例分析 * 案例一：垃圾邮件过滤 * 案例二：图像识别 * 案例三：推荐系统 * 学习路径建议 * 第一阶段：打好基础 * 第二阶段：深入学习 * 第三阶段：实战提升 * 总结 本篇文章将带你深入理解人工智能的核心概念，厘清AI、机器学习、深度学习之间的关系，为后续的学习打下坚实的基础。 什么是人工智能 人工智能的定义 人工智能，英文名称为Artificial Intelligence，简称AI，这个概念最早由约翰·麦卡锡在1956年的达特茅斯会议上提出。那么什么是人工智能呢？简单来说，人工智能就

By Ne0inhk
会提问的人，正在用AI收割下一个十年

会提问的人，正在用AI收割下一个十年

文章目录 * 引言：一场关于AI的颠覆性对话 * 从对话到收入：AI时代的新型生产关系 * 会说话就能赚钱？这不是天方夜谭 * 从想法到产品：三天的魔法 * 技术民主化：AI不再是工程师的专属 * 打破技术壁垒的革命 * 文科生的优势在哪里？ * AI时代的商业逻辑：用户付费意愿超预期 * 价值认知的转变 * 为什么用户愿意付费？ * 新的商业模式 * AI的边界：思考仍然是人类的专属 * 技术的局限性 * 人机协作的最佳模式 * 实践指南：如何开始你的AI创作之旅 * 第一步：转变思维方式 * 第二步：从小项目开始 * 第三步：快速迭代 * 第四步：关注用户价值 * 第五步：建立商业模式 * 《脉向AI》：探索AI时代的无限可能 * 为什么要关注这期访谈？ * 这不仅仅是一次访谈 * 结语：属于每个人的AI时代 引言：一场关于AI的颠覆性对话 在这个技术迅猛发展的时代，我们总是习惯性地认为，掌握AI技术是程序员和工程师的专属特权。但如果我告诉你，文科生可能才是A

By Ne0inhk
2026年AI大模型应用开发保姆级教程：从入门到精通，这一篇就够了！AI大模型应用开发学习路线

2026年AI大模型应用开发保姆级教程：从入门到精通，这一篇就够了！AI大模型应用开发学习路线

🚀 AI大模型应用开发：从入门到精通的体系化学习路线 (2026版) 摘要： 随着ChatGPT、文心一言、通义千问等大模型的爆发，掌握AI大模型应用开发已成为开发者进阶、获取高薪的黄金技能！本文由深耕AI领域的ZEEKLOG专家撰写，为你梳理一条清晰、高效、可落地的学习路线，涵盖必备基础、核心理论、关键技术、工具链、项目实战全流程，助你从“小白”快速成长为能独立开发AI应用的高手！文末附赠精选学习资源清单！ 📌 一、 为什么学习AI大模型应用开发？ * 时代风口： AI大模型是当前科技革命的核心驱动力，重塑各行各业（办公、教育、医疗、金融、娱乐等），人才缺口巨大，薪资水平水涨船高。 * 降本增效： 利用大模型强大的生成、理解、推理能力，可以自动化大量重复性工作，大幅提升开发效率和产品智能化水平。 * 创新机遇： 大模型为开发者提供了前所未有的能力基石，催生无数创新应用场景（智能助手、个性化推荐、代码生成、内容创作、智能客服等）。 * 开发者必备技能： 未来，

By Ne0inhk
人工智能：扩散模型（Diffusion Model）原理与图像生成实战

人工智能：扩散模型（Diffusion Model）原理与图像生成实战

人工智能：扩散模型（Diffusion Model）原理与图像生成实战 1.1 本章学习目标与重点 💡 学习目标：掌握扩散模型的核心原理、前向扩散与反向扩散过程，以及基于扩散模型的图像生成任务实战流程。 💡 学习重点：理解扩散模型的噪声添加与噪声消除机制，学会使用 PyTorch 搭建 DDPM 模型，完成手写数字图像生成任务。 1.2 扩散模型的核心思想 1.2.1 为什么需要扩散模型 💡 传统的生成模型（如 GAN）存在训练不稳定、模式崩溃等问题。扩散模型作为一种基于概率的生成模型，通过逐步添加噪声和逐步去除噪声的双向过程，实现了更稳定的训练和更高质量的生成效果。 扩散模型的灵感来源于非平衡热力学，它的核心是将复杂的生成问题拆解为多个简单的马尔可夫链步骤。在图像生成、文本生成、语音合成等领域，扩散模型的表现已经超越了传统生成模型。 1.2.2 扩散模型的基本框架 💡 扩散模型包含两个核心过程：前向扩散过程和反向扩散过程。 1. 前向扩散过程：从真实数据出发，

By Ne0inhk