医疗智能推荐系统：SpringBoot+Vue全栈实践

1. 项目概述：当卫生健康遇上智能推荐

去年参与某三甲医院预约系统改造时，我第一次真切感受到传统医疗系统与互联网体验之间的巨大鸿沟。患者面对冰冷的科室列表无所适从，挂号员需要反复询问症状才能完成分诊，这种低效交互正是我们开发这套智能推荐系统的初衷。

这个基于SpringBoot+Vue的全栈系统，核心价值在于：

• 通过症状自评问卷构建用户画像（含病史过敏等18个维度）
• 采用改进的协同过滤算法实现科室/医生双级推荐
• 就诊记录与评价数据实时反哺推荐模型
• 提供从预约到随访的完整数字化流程

相比传统HIS系统，其特色在于将推荐算法深度融入业务流程。例如当用户主诉"反复上腹痛"时，系统不仅推荐消化内科，还会根据问卷中"饮酒史20年"的细节优先推荐肝病专科的主任医师。

2. 技术架构解析

2.1 前后端分离设计

采用经典的前后端分离模式，通过清晰的职责划分实现高效协作：

mermaid复制graph LR
    A[Vue3前端] -->|Axios| B(SpringBoot API)
    B --> C[MySQL 8.0]
    B --> D[Redis 7缓存]
    C --> E[MyBatis-Plus]

关键配置要点：

• 跨域处理使用@CrossOrigin注解而非Nginx（开发阶段）
• API文档采用Swagger3 + Knife4j增强
• 接口版本控制通过路径/api/v1/实现

踩坑提醒：曾因未配置@JsonIgnore导致患者敏感信息泄露，务必在实体类中精确控制序列化字段。

2.2 智能推荐模块实现

推荐算法分层架构：

1. 冷启动层：基于症状关键词匹配（Elasticsearch分词+TF-IDF）
2. 协同过滤层：采用SVD++优化传统CF算法
3. 实时反馈层：就诊满意度评分影响权重

核心算法代码片段：

java复制// 相似度计算改进
public double improvedCosineSimilarity(User u1, User u2) {
    double dotProduct = 0.0;
    double normA = 0.0;
    double normB = 0.0;