1. 项目背景与核心价值
电商平台商品推荐系统是计算机专业毕业设计中经久不衰的热门选题,但传统协同过滤算法在毕业答辩中已经难以获得高分。这个项目结合了当前最前沿的DeepSeek大模型和知识图谱技术,通过Neo4j构建商品关系网络,再配合SpringBoot+Vue.js实现完整前后端系统,完全达到了硕士研究生论文的复杂度要求。
我在实际指导毕业设计时发现,90%的本科推荐系统项目还停留在基于用户评分的协同过滤阶段。而这个方案通过大模型处理非结构化商品描述,用知识图谱挖掘深层商品关联,最后用图算法实现推荐,技术栈新颖且完整。去年某985高校的本科毕设答辩中,采用类似架构的项目获得了校级优秀论文。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计解析
2.1 整体技术栈选型
系统采用经典的三层架构:
- 前端:Vue.js 3 + Element Plus(比React更适合快速开发管理后台)
- 后端:SpringBoot 2.7 + MyBatis-Plus(比JPA更灵活处理图数据)
- 数据库:MySQL 8.0(业务数据)+ Neo4j 4.4(图数据)
- 算法层:DeepSeek-v2(7B参数版本)+ Gensim + NetworkX
特别注意:DeepSeek模型需要至少16GB显存的GPU服务器,学生党可以使用阿里云PAI平台的按量付费实例,成本约2元/小时
2.2 核心创新点设计
-
多模态商品表示:
- 使用DeepSeek处理商品图片(CLIP模块)和文本描述(BERT模块)
- 生成512维的商品特征向量(实测效果优于传统Word2Vec)
-
动态知识图谱构建:
python复制# Neo4j商品关系创建示例 MATCH (a:商品),(b:商品) WHERE a.category = b.category AND a.price - b.price < 100 CREATE (a)-[r:同类商品]->(b) -
混合推荐策略:
- 基于用户的协同过滤(传统算法保底)
- 基于知识图谱的随机游走(Personalized PageRank)
- 大模型语义匹配(余弦相似度)
