1. 项目概述
这个基于协同过滤算法的商品推荐系统，采用了当前企业级开发中最主流的SpringBoot+Vue3+MyBatis技术栈。作为一名经历过多个电商项目的老开发，我认为这种前后端分离架构特别适合需要快速迭代的推荐类系统。系统通过分析用户历史行为数据，建立用户-商品偏好矩阵，最终实现"千人千面"的个性化推荐效果。
从技术实现来看，项目亮点在于：
- 前端采用Vue3组合式API开发，比传统选项式API更灵活
- 后端使用SpringBoot 2.7.x + MyBatis-Plus 3.5.x技术栈
- 推荐算法模块与业务系统解耦，便于算法工程师独立优化
- 完善的商品特征提取和用户画像构建流程
提示：推荐系统的效果70%取决于数据质量，建议在部署前先检查MySQL中的用户行为数据是否完整
2. 技术架构解析
2.1 前端架构设计
Vue3前端工程采用以下技术组合：
bash复制npm create vue@latest
生成的工程骨架包含：
- Vite 4.x构建工具（比Webpack快3-5倍）
- Pinia状态管理（替代Vuex的轻量方案）
- Element Plus组件库（适合后台管理系统）
- Axios封装了四种拦截器：
- 请求参数序列化
- JWT令牌自动刷新
- 接口耗时监控
- 错误统一处理
实测发现，Vue3的<script setup>语法配合组合式函数，可以将推荐结果展示组件的代码量减少40%：
vue复制<script setup>
const { recommendedList } = useRecommendation()
</script>
2.2 后端服务分层
SpringBoot工程采用经典三层架构：
code复制com.example.recommend
├── config # 配置类
├── controller # 推荐接口
├── service # 推荐算法实现
│ ├── impl # 协同过滤核心逻辑
├── mapper # MyBatis接口
└── entity # 数据实体
重点看RecommendServiceImpl中的关键方法：
java复制public List<Product> recommend(Long userId) {
// 1. 获取用户历史行为
List<UserBehavior> behaviors = behaviorMapper.selectByUser(userId);
// 2. 计算相似用户
Map<Long, Double> similarUsers = cfService.findSimilarUsers(userId);
// 3. 生成推荐列表
return cfService.generateRecommendations(similarUsers);
}
2.3 数据库设计
MySQL表结构设计遵循电商系统常规范式：
sql复制CREATE TABLE `user_behavior` (
`id` bigint NOT NULL AUTO_INCREMENT,
`user_id` bigint NOT NULL COMMENT '用户ID',
`item_id` bigint NOT NULL COMMENT '商品ID',
`behavior_type` tinyint NOT NULL COMMENT '1浏览 2收藏 3购买',
`behavior_time` datetime NOT NULL,
PRIMARY KEY (`id`),
KEY `idx_user_item` (`user_id`,`item_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
注意：行为数据表建议按月分表，单表数据量超过500万条会显著影响推荐计算速度
3. 协同过滤算法实现
3.1 用户相似度计算
采用改进的余弦相似度算法，解决用户行为稀疏性问题：
java复制public double similarity(User a, User b) {
// 获取共同行为商品
Set<Long> commonItems = getCommonItems(a, b);
// 计算相似度分子
double numerator = commonItems.stream()
.mapToDouble(item ->
rating(a, item) * rating(b, item))
.sum();
// 加入惩罚因子
return numerator / (Math.sqrt(a.norm()) * Math.sqrt(b.norm())
* (1 + Math.exp(-commonItems.size())));
}
3.2 推荐结果生成
基于用户的协同过滤（UserCF）核心逻辑：
java复制public List<Product> recommend(User user) {
// 获取TopN相似用户
List<User> neighbors = findNeighbors(user, 20);
// 预测评分
Map<Long, Double> predictions = new HashMap<>();
for (User neighbor : neighbors) {
for (Item item : neighbor.getItems()) {
if (!user.hasItem(item)) {
predictions.merge(item.getId(),
similarity(user, neighbor) * neighbor.rating(item),
Double::sum);
}
}
}
// 返回TopK推荐
return predictions.entrySet().stream()
.sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))
.limit(10)
.map(entry -> itemService.getById(entry.getKey()))
.collect(Collectors.toList());
}
3.3 冷启动解决方案
新用户推荐策略混合：
- 基于热门商品的热榜推荐
- 基于用户注册信息的标签推荐
- 基于地域特征的本地化推荐
java复制public List<Product> coldStartRecommend(User user) {
if (user.getBehaviorCount() < 5) {
return hybridRecommender.recommend(user);
}
return cfRecommender.recommend(user);
}
4. 系统部署与优化
4.1 性能优化方案
针对推荐接口的优化措施：
- 缓存层：Redis缓存用户相似度矩阵（TTL 6小时）
- 异步计算：Quartz定时任务每晚更新推荐结果
- 读写分离：MySQL主从架构分担查询压力
实测效果对比：
| 优化措施 | QPS提升 | 平均响应时间 |
|---|---|---|
| 无优化 | 120 | 450ms |
| 加Redis | 350 | 180ms |
| 全量优化 | 800+ | 80ms以下 |
4.2 前端性能调优
Vue3项目的优化技巧：
- 路由懒加载：
javascript复制const Recommend = () => import('./views/Recommend.vue')
- 推荐列表虚拟滚动：
vue复制<RecycleScroller
:items="recommendList"
:item-size="120"
key-field="id"
/>
- Web Worker处理大数据量排序
4.3 监控与日志
推荐质量监控指标：
- 点击通过率（CTR）
- 转化率（CVR）
- 推荐覆盖率
- 新颖性指标
使用Spring Boot Actuator暴露的端点：
yaml复制management:
endpoints:
web:
exposure:
include: health,metrics,recommend-stats
5. 常见问题排查
5.1 推荐结果不稳定
可能原因及解决方案：
- 行为数据太少 → 增加冷启动样本
- 相似度计算未归一化 → 检查算法实现
- 商品特征变化频繁 → 缩短特征更新周期
5.2 接口响应慢
性能瓶颈排查步骤：
- 使用Arthas监控方法耗时
bash复制
trace com.example.service.RecommendService recommend - 检查MySQL慢查询日志
- 确认Redis缓存命中率
5.3 前端内存泄漏
Vue3项目内存问题处理：
- 使用Chrome Memory面板抓取堆快照
- 检查被保留的推荐列表DOM节点
- 确保onUnmounted中清理事件监听：
javascript复制onUnmounted(() => {
eventBus.off('recommendUpdate', updateList)
})
6. 扩展与改进方向
6.1 算法升级路径
后续可迭代的算法方案：
- 结合内容的混合推荐（Content-Based + CF）
- 图神经网络（GNN）挖掘深层关系
- 实时推荐使用Flink流处理
6.2 工程化改进
适合大型电商的架构调整：
- 推荐服务独立部署
- 引入特征存储平台（Feast）
- 使用Kubernetes实现自动扩缩容
6.3 AB测试方案
推荐效果验证方法：
- 用户分桶策略（User Bucketing）
- 多臂老虎机算法（MAB）
- 可视化看板集成（Superset）
这个项目最让我惊喜的是Vue3的Composition API与SpringBoot的响应式编程配合非常默契。在实际部署时，建议先用小流量验证推荐效果，逐步优化算法参数。如果遇到稀疏矩阵计算性能问题，可以尝试用Apache Mahout替换部分自研算法模块