Marco Liu1. 项目背景与核心价值
非遗（非物质文化遗产）推荐系统是一个结合现代技术与传统文化保护的创新应用。随着数字化时代的到来，如何让更多人了解、喜爱并传承非遗文化成为重要课题。传统的非遗展示方式往往存在信息过载、个性化不足等问题，而基于协同过滤算法的推荐系统能够根据用户兴趣和行为，智能推荐相关非遗内容，提升用户体验和参与度。
这个系统采用SpringBoot+Vue前后端分离架构，后端负责数据处理和算法实现，前端负责用户交互和数据展示。协同过滤算法作为推荐系统的核心，能够分析用户行为数据，发现用户潜在兴趣，实现个性化推荐。可视化大屏则用于展示非遗数据的宏观情况和推荐效果，为管理者提供决策支持。
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
2.1 整体架构
系统采用典型的前后端分离架构：
- 后端：SpringBoot 2.7.18 + MyBatis Plus + MySQL
- 前端：Vue 3 + Element Plus + ECharts
- 算法层：基于矩阵分解的协同过滤算法
- 部署：Docker容器化部署
这种架构的优势在于：
- 前后端职责清晰，开发效率高
- 易于扩展和维护
- 支持多端接入（Web、移动端等）
2.2 技术选型理由
SpringBoot选型考虑：
- 自动配置简化了Spring应用的初始搭建和开发过程
- 内嵌Tomcat服务器，无需部署WAR文件
- 丰富的starter依赖，快速集成常用组件
- 良好的社区支持和文档资源
Vue选型考虑：
- 渐进式框架，学习曲线平缓
- 组件化开发，代码复用率高
- 响应式数据绑定，开发效率高
- 丰富的生态系统（Vue Router、Vuex等）
协同过滤算法选择：
- 用户行为数据易于获取（浏览、收藏、评分等）
- 不需要物品本身的特征信息
- 在推荐系统领域有成熟应用和良好效果
3. 核心功能实现
3.1 用户行为数据收集
系统收集以下用户行为数据用于推荐算法：
- 浏览记录（非遗项目详情页停留时间）
- 收藏行为
- 评分评价
- 搜索关键词
- 分享行为
这些数据通过RESTful API传输到后端，存储在MySQL数据库中。为提高性能，热门数据会缓存在Redis中。
3.2 协同过滤算法实现
系统采用基于矩阵分解的协同过滤算法，主要步骤如下：
- 构建用户-物品评分矩阵
java复制// 示例代码：构建评分矩阵
public class RatingMatrix {
private Map<Long, Map<Long, Double>> userItemRatings;
public void addRating(Long userId, Long itemId, Double rating) {
userItemRatings.computeIfAbsent(userId, k -> new HashMap<>())
.put(itemId, rating);
}
public Double getRating(Long userId, Long itemId) {
return userItemRatings.getOrDefault(userId, Collections.emptyMap())
.getOrDefault(itemId, 0.0);
}
}
- 矩阵分解（使用ALS算法）
java复制// 示例代码：ALS算法实现
public class ALSModel {
private double[][] userFactors;
private double[][] itemFactors;
public void train(RatingMatrix matrix, int factors, int iterations) {
// 初始化用户和物品因子矩阵
// 迭代优化损失函数
// 更新因子矩阵
}
public double predict(int userId, int itemId) {
return dotProduct(userFactors[userId], itemFactors[itemId]);
}
}
- 生成推荐结果
根据预测评分排序，为每个用户生成Top-N推荐列表。
3.3 前后端交互设计
前后端通过RESTful API交互，主要接口包括：
- 用户认证：/api/auth/login
- 非遗列表：/api/heritage/list
- 用户行为记录：/api/behavior/record
- 推荐结果：/api/recommend/
接口设计遵循以下原则：
- 使用JWT进行身份验证
- 返回统一格式的JSON数据
- 合理的HTTP状态码
- 完善的错误处理机制
4. 关键问题与解决方案
4.1 冷启动问题
问题描述：
新用户或新非遗项目缺乏足够的行为数据，难以生成准确推荐。
解决方案：
- 混合推荐策略：结合基于内容的推荐（非遗标签、分类等）
- 热门推荐：新用户默认展示热门非遗项目
- 引导式交互：鼓励用户进行初始评分或选择兴趣标签
4.2 数据稀疏性问题
问题描述：
用户-物品矩阵非常稀疏，影响推荐质量。
解决方案：
- 数据增强：利用非遗项目间的相似性补充缺失值
- 降维处理：通过矩阵分解降低维度
- 时间衰减：较旧的行为数据赋予较低权重
4.3 实时性要求
问题描述：
用户最新行为需要快速反映在推荐结果中。
解决方案：
- 增量更新：定期更新模型而非全量重训练
- 实时混合：离线推荐与实时推荐结果加权融合
- 缓存策略：高频访问数据缓存在Redis中
5. 可视化大屏实现
可视化大屏使用Vue+ECharts实现，主要展示以下内容：
- 用户行为分析
- 用户地域分布
- 活跃时段分布
- 行为类型占比
- 非遗项目热度
- 热门非遗排行榜
- 各类非遗占比
- 热度变化趋势
- 推荐效果评估
- 推荐点击率
- 用户满意度
- 推荐覆盖率
实现关键代码示例：
javascript复制// 示例代码：ECharts图表配置
export const heatMapOption = {
title: { text: '非遗热度分布' },
tooltip: {},
visualMap: {
min: 0,
max: 100,
calculable: true,
inRange: { color: ['#e0f3f8', '#abd9e9', '#74add1', '#4575b4', '#313695'] }
},
calendar: {
range: '2023',
cellSize: ['auto', 20]
},
series: {
type: 'heatmap',
coordinateSystem: 'calendar',
data: heatData
}
}
6. 系统部署与性能优化
6.1 容器化部署
使用Docker部署系统，主要容器包括：
- 后端服务容器（SpringBoot应用）
- 前端容器（Nginx+Vue静态资源）
- 数据库容器（MySQL）
- 缓存容器（Redis）
- 算法服务容器（Python计算服务）
docker-compose.yml关键配置：
yaml复制version: '3'
services:
backend:
image: openjdk:11-jre
ports:
- "8080:8080"
volumes:
- ./backend.jar:/app.jar
command: java -jar /app.jar
depends_on:
- redis
- mysql
frontend:
image: nginx:alpine
ports:
- "80:80"
volumes:
- ./dist:/usr/share/nginx/html
6.2 性能优化措施
- 数据库优化
- 合理设计索引
- 查询语句优化
- 读写分离
- 缓存策略
- 多级缓存（本地缓存+Redis）
- 缓存预热
- 合理的过期策略
- 算法优化
- 并行计算
- 采样训练
- 模型压缩
7. 项目扩展与改进方向
-
多源数据融合
整合非遗相关的视频、图片、文献等多模态数据，丰富推荐依据。 -
深度学习增强
引入神经网络模型，提升推荐准确性和多样性。 -
社交化推荐
结合社交网络关系，实现好友影响下的推荐。 -
跨平台支持
开发微信小程序、APP等多端应用，扩大用户覆盖面。 -
可视化编辑
提供非遗数据的可视化编辑工具，方便内容维护。
在实际开发中，我发现以下几点经验特别值得分享：
- 协同过滤算法参数需要根据实际数据分布进行调整，不能直接使用默认值
- Vue组件化开发时，合理的状态管理能显著提高开发效率
- SpringBoot的自动装配虽然方便，但也需要理解其原理才能更好应对复杂场景
- 可视化大屏的数据更新策略需要考虑性能和实时性的平衡