予晚1. 项目概述：基于SpringBoot的影评情感分析推荐系统
这个项目是我去年带队开发的一个电影推荐平台，核心创新点在于将传统推荐系统与NLP情感分析技术深度整合。不同于市面上简单的"猜你喜欢"推荐，我们通过分析海量影评的情感倾向，建立用户-电影-情感的三维关联模型。实际运营数据显示，这种融合情感维度的推荐算法使点击转化率提升了37%，远超传统协同过滤算法的表现。
系统采用经典的B/S架构，但有几个技术选型值得重点说明：
- 后端选择SpringBoot 2.7 + JDK1.8组合，这个看似保守的选择其实经过严格压测验证。在阿里云4核8G的ECS上，该组合能稳定支撑2000+ TPS的并发请求。
- 数据库没有跟风用MongoDB，而是坚持MySQL 5.7。因为影评数据虽然量大，但结构化程度高，关系型数据库的ACID特性对用户行为日志尤为重要。
- 前端采用Vue3+Element Plus，但特别开发了情感可视化专用组件库，后面会详细介绍实现细节。
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. 核心架构设计解析
2.1 技术栈选型背后的思考
很多教学项目喜欢堆砌新技术，但在真实生产环境中，稳定性永远是第一考量。我们的技术选型经历了三个阶段的验证：
第一阶段：原型验证
- 用Python快速实现情感分析POC（TextBlob+SnowNLP）
- 用Django搭建简易推荐接口
- 验证核心算法可行性
第二阶段：性能测试
- 对比SpringBoot、Quarkus、Micronaut三种Java框架
- 测试JPA、MyBatis、JOOQ三种ORM方案
- 最终选定SpringBoot+MyBatis组合，在开发效率与运行时性能间取得平衡
第三阶段：生产优化
- 引入Redisson实现分布式锁
- 用Hystrix实现熔断降级
- 配置Arthas在线诊断工具
2.2 系统分层架构
系统采用经典的四层架构，但每层都有特殊设计：
code复制[表现层]
- 自定义情感可视化组件
- 防XSS的富文本编辑器
- JWT鉴权拦截器
[业务层]
- 推荐策略工厂模式
- 情感分析责任链
- 影评审核流水线
[数据层]
- 电影数据分库策略（按年份）
- 用户行为日志分表策略（按月）
- 影评全文索引（ES集群）
[基础层]
- 自定义Starter监控埋点
- 敏感词DFA算法过滤
- 推荐结果AB测试框架
3. 情感分析模块深度实现
3.1 算法选型演进过程
我们经历了三次算法迭代：
V1.0 基于词典的方法
- 使用大连理工情感词典
- 简单加权计算情感分值
- 准确率仅68%，无法识别反讽
V2.0 传统机器学习
- 特征工程：TF-IDF + N-gram
- 模型选择：SVM > LR > NaiveBayes
- 准确率提升到82%
V3.0 深度学习方案
- BERT预训练模型微调