11/29

README.md

@@ -1,2 +1,131 @@
-# PPAES
+# PPAES——编程能力个性化评价系统
+
+## doc
+
+#### 01_行业和领域调研分析报告；
+
+1. 行业和领域背景
+2. 典型应用
+3. 采用技术
+4. 存在不足
+5. 未来关注
+
+#### 02_软件系统的需求构思及描述；
+
+1. 项目背景
+2. 欲解决问题
+3. 软件创意
+4. 系统的组成
+5. 软件系统的功能描述
+6. 可行性及潜在风险
+
+#### 03_软件需求规格说明书；
+
+1. 引言
+   1. 软件项目概述
+      1. 项目意义
+      2. 软件目标用户
+   2. 软件功能概述
+   3. 软件实现难点及特色分析
+      1. 项目实现难点
+      2. 项目特色
+   4. 参考资料
+2. 软件项目需求描述
+   1. 2.1 软件需求的用例模型
+   2. 2.2 软件需求的用例描述及分析顺序图
+      1. 用例名：用户登录
+      2. 用例名：查看基础数据统计
+      3. 用例名：查看个人能力评估
+      4. 用例名：查看学习建议
+      5. 用例名：基础数据统计
+      6. 用例名：知识点掌握程度预测
+      7. 用例名：训练深度学习模型
+   3. 软件需求的分析类图
+      1. 核心类的属性与操作
+      2. 类之间的关系
+3. 其他需求描述
+   1. 性能要求
+   2. 交付要求
+   3. 验收要求
+
+#### 04_软件设计规格说明书；
+
+1. 引言
+   1. 软件设计目标和原则
+   2. 软件设计的约束和限制
+2. 软件体系结构设计
+3. 用户界面设计
+   1. 系统界面的外观设计及其类表示
+      1. LoginUI
+      2. MainUI
+      3. StatisticsUI
+      4. AssessmentUI
+      5. RecommendationUI
+   2. 系统界面流设计
+4. 详细设计
+   1. 用例设计
+      1. 基础数据统计用例实现的设计方案
+      2. 知识点掌握程度预测用例实现的设计方案
+      3. 训练深度学习模型用例实现的设计方案
+   2. 类设计
+   3. 数据模型设计
+      1.  编程能力个性化评价系统数据设计类图
+      2. 编程能力个性化评价系统数据的操作设计
+   4. 部署设计
+
+## model
+
+编程能力个性化评价系统用例模型；
+
+编程能力个性化评价系统“知识点掌握预测”用例的顺序图；
+编程能力个性化评价系统“用户登录”用例的顺序图；
+编程能力个性化评价系统“深度学习模型”用例的顺序图；
+编程能力个性化评价系统“基础数据统计”用例的顺序图；
+编程能力个性化评价系统“查看学习建议”用例的顺序图；
+编程能力个性化评价系统“查看基础数据统计”用例的顺序图；
+编程能力个性化评价系统“查看个人能力评估”用例的顺序图；
+
+编程能力个性化评价系统分析类图；
+
+编程能力个性化评价系统体系结构逻辑视图；
+
+编程能力个性化评价系统StatisticsUI外观设计；
+编程能力个性化评价系统StatisticsUI类设计；
+编程能力个性化评价系统RecommendationUI外观设计；
+编程能力个性化评价系统RecommendationUI类设计；
+编程能力个性化评价系统MainUI外观设计；
+编程能力个性化评价系统MainUI类设计；
+编程能力个性化评价系统LoginUI外观设计；
+编程能力个性化评价系统LoginUI类表示；
+编程能力个性化评价系统AssessmentUI外观设计；
+编程能力个性化评价系统AssessmentUI类设计;
+编程能力个性化评价系统界面流的顺序图；
+
+编程能力个性化评价系统“知识点掌握预测”用例设计顺序图；
+编程能力个性化评价系统“训练深度学习模型”用例设计顺序图；
+编程能力个性化评价系统“基础数据统计”用例设计顺序图；
+编程能力个性化评价系统设计类图；
+
+编程能力个性化评价系统数据设计类图；
+
+编程能力个性化评价系统的部署图；
+
+## src
+
+models
+
+services
+
+templates
+
+tests
+
+## other
+
+05_软件工程课程设计汇报PPT；
+06_软件开发项目的个人自评报告（每个成员都要填写，一个文档）
+07_软件开发项目的团队自评报告
+08_学号姓名-实践总结报告（每个成员单独一份）
+09_演示运行视频
+10_项目宣传海报
 

src/README.md

@@ -0,0 +1,120 @@
+编程能力个性化评价系统
+—— 系统简介与环境配置指南
+
+一、系统简介
+编程能力个性化评价系统是一款融合 人工智能预测 与 多维度数据分析 的智能学习辅助平台，专为 ACM-ICPC 等算法竞赛选手设计。系统基于用户在在线判题（OJ）平台的历史提交数据，通过深度挖掘行为模式、知识点掌握情况和解题趋势，提供科学、动态、个性化的编程能力评估与发展建议。
+
+核心价值：
+    精准画像：构建用户编程能力的六维雷达图，量化评估真实水平
+    智能预测：采用 PyTorch + LSTM 神经网络，预测未来知识点掌握趋势
+    等级对标：建立符合 ACM 竞赛体系的 6 级能力等级（新手 → 世界决赛级）
+    因材施教：生成 12 周个性化学习计划、知识图谱路线与资源推荐
+    极速响应：通过数据库索引 + 内存缓存，实现 <0.1 秒重复访问体验
+
+适用人群：
+    高校 ACM/ICPC 参赛队员
+
+
+技术实现：
+    后端架构 Flask 微服务 + 分层服务设计（AuthService / StatsService / AssessmentService 等）
+    AI 模块 PyTorch 构建 2 层 LSTM 网络，输入 10 维时序特征，输出掌握度预测
+    数据存储 SQLite 轻量级数据库 + 8 个复合索引优化查询性能
+    前端交互 Bootstrap 5 响应式布局 + ECharts 5 可视化图表（词云、雷达图、趋势线等）
+    性能保障 CTE 排名算法（提速 90%+）+ TTL 内存缓存（命中率 >95%）
+
+本系统不仅是一个评估工具，更是一个 AI 驱动的成长伙伴，帮助用户从“盲目刷题”走向“精准提升”。
+
+二、环境配置指南
+系统要求：
+    操作系统 Windows / macOS / Linux（推荐 Linux 或 macOS 用于训练）
+    Python 版本 3.8 或更高（建议 3.9–3.11）
+    浏览器 Chrome / Edge / Firefox（需启用 JavaScript）
+    磁盘空间 ≥ 200 MB（含数据库与模型）
+    内存 ≥ 2 GB（训练 LSTM 时建议 ≥ 4 GB）
+
+安装步骤：
+1️⃣ 克隆或下载项目
+bash
+git clone https://bdgit.educoder.net/pc729iqo3/PPAES.git
+cd PPAES
+若无 Git，可直接下载 ZIP 并解压到本地目录。
+
+2️⃣ 创建虚拟环境（推荐）
+bash
+创建虚拟环境
+python -m venv venv
+激活虚拟环境
+Windows:
+venv\Scripts\activate
+macOS/Linux:
+source venv/bin/activate
+
+3️⃣ 安装依赖
+方案 A：完整功能（含 AI 预测）
+bash
+pip install -r requirements.txt
+包含 Flask、PyTorch、Pandas、NumPy、ECharts 等全部依赖。
+方案 B：基础功能（不含 LSTM）
+bash
+pip install Flask==2.3.3 flask-login==0.6.2 pandas==2.2.3 numpy==1.26.4
+适用于仅需统计与评估功能，无需 AI 预测的场景。
+注意：PyTorch 安装可能较慢，请确保网络通畅。如需 GPU 支持，请参考 [PyTorch 官网](https://pytorch.org/get-started/locally/) 安装对应版本。
+
+4️⃣ 初始化数据库
+bash
+创建表结构
+python backend/scripts/init_db.py
+导入示例题目与提交记录（来自 data/ 目录）
+python backend/scripts/ingest_json.py
+（推荐）优化数据库性能（创建索引 + VACUUM）
+python optimize_database.py
+成功后将在 backend/instance/app.sqlite 生成约 158 MB 的数据库文件。
+
+5️⃣ （可选）训练 LSTM 预测模型
+若需启用 AI 趋势预测 功能：
+bash
+基础训练（约 2-5 分钟，CPU）
+python models/train_lstm_model.py
+或自定义参数训练（例如 100 轮 + 绘图）
+python models/train_lstm_model.py --epochs 100 --batch_size 64 --plot
+训练完成后，模型将保存为 models/lstm_knowledge_predictor.pth。
+提示：首次使用可跳过此步，系统会检测模型是否存在并提示。
+
+6️⃣ 启动系统
+bash
+推荐方式：使用启动脚本（自动打开浏览器）
+python start_system.py
+或直接运行 Flask
+python app.py
+成功启动后，终端将显示：
+    ✅ 系统已启动！正在打开浏览器...
+    🌐 访问地址: http://localhost:5000
+    👤 测试账号: 52（密码: 123456）
+    🔐 默认所有用户密码均为 123456（可在 config.py 中修改）。
+
+    🧪 快速验证
+
+    操作 验证方式
+    ------ --------
+    Web 服务 访问 http://localhost:5000，应显示登录页
+    数据库 登录后进入仪表板，查看是否有统计数据
+    LSTM 模型 进入「学习建议」页面，查看是否有「AI 掌握度预测」模块
+    API 接口 访问 http://localhost:5000/api/grades/52，应返回 JSON 数据
+
+🛠 配置说明（config.py）
+
+python
+class Config:
+SECRET_KEY = 'your-secret-key' # 生产环境务必修改！
+DB_PATH = 'backend/instance/app.sqlite' # 数据库路径
+DEBUG = True # 开发模式
+HOST = '0.0.0.0' # 允许外部访问
+PORT = 5000 # 端口号
+DEFAULT_PASSWORD = '123456' # 默认用户密码
+📌 生产部署建议：关闭 DEBUG，设置强 SECRET_KEY，使用 Nginx + Gunicorn。
+
+🚀 下一步
+登录系统（用户名：52，密码：123456）
+探索四大核心模块：仪表板 → 数据统计 → 能力评估 → 学习建议
+查看 docs/ 目录获取详细开发与使用文档
+