1. 项目概述这个旅游推荐系统项目采用了前后端分离的架构设计后端基于Spring Boot框架实现推荐算法和业务逻辑前端使用Vue3构建用户界面。核心功能是通过协同过滤算法分析用户行为数据为不同用户提供个性化的旅游景点推荐服务。我在实际开发中发现这种技术组合特别适合需要处理复杂业务逻辑同时又要求良好用户体验的中型项目。Spring Boot的自动配置和起步依赖大大简化了后端开发而Vue3的响应式特性和组合式API则让前端开发更加高效。2. 技术架构设计2.1 后端技术选型Spring Boot 2.7.x作为后端框架的主要考虑内嵌Tomcat服务器简化部署自动配置减少了大量样板代码丰富的起步依赖(Starter)可以快速集成常用组件完善的生态系统和社区支持数据库选型方面我推荐使用MySQL 8.0作为主数据库Redis 6.x作为缓存。这种组合在实际项目中表现稳定能够满足大多数旅游推荐系统的性能需求。2.2 前端技术选型Vue3相比Vue2有几个显著优势更小的打包体积更好的TypeScript支持组合式API让代码组织更灵活性能提升明显我建议搭配使用以下前端技术栈Vue Router 4.x 管理路由Pinia 2.x 状态管理Axios 1.x 处理HTTP请求Element Plus 2.x UI组件库3. 协同过滤算法实现3.1 算法原理协同过滤算法主要分为两类基于用户的协同过滤(User-based CF)基于物品的协同过滤(Item-based CF)在旅游推荐场景中基于物品的协同过滤通常效果更好因为旅游景点数量相对稳定用户-景点评分矩阵较为稀疏景点间的相似度计算可以预先完成3.2 核心代码实现// 相似度计算示例 public double cosineSimilarity(MapString, Double vectorA, MapString, Double vectorB) { double dotProduct 0.0; double normA 0.0; double normB 0.0; for (String key : vectorA.keySet()) { if (vectorB.containsKey(key)) { dotProduct vectorA.get(key) * vectorB.get(key); } normA Math.pow(vectorA.get(key), 2); } for (String key : vectorB.keySet()) { normB Math.pow(vectorB.get(key), 2); } return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB)); } // 推荐生成示例 public ListScenicSpot generateRecommendations(Long userId, int topN) { // 获取用户历史行为 ListUserBehavior behaviors behaviorRepository.findByUserId(userId); // 计算候选景点的推荐分数 MapScenicSpot, Double candidateScores new HashMap(); for (UserBehavior behavior : behaviors) { ScenicSpot ratedSpot behavior.getScenicSpot(); ListSimilarity similarities similarityRepository.findBySpot1(ratedSpot); for (Similarity sim : similarities) { ScenicSpot candidate sim.getSpot2(); double score behavior.getRating() * sim.getSimilarity(); candidateScores.merge(candidate, score, Double::sum); } } // 过滤已访问过的景点并按分数排序 return candidateScores.entrySet().stream() .filter(e - !behaviors.stream().anyMatch(b - b.getScenicSpot().equals(e.getKey()))) .sorted(Map.Entry.ScenicSpot, DoublecomparingByValue().reversed()) .limit(topN) .map(Map.Entry::getKey) .collect(Collectors.toList()); }3.3 性能优化技巧相似度矩阵预计算景点间的相似度可以定期离线计算避免实时计算的开销分块处理对于大型数据集可以将用户或景点分块处理缓存热门推荐将热门景点的推荐结果缓存起来增量更新当有新用户行为时只更新受影响的部分推荐结果4. 系统关键功能实现4.1 用户行为收集设计良好的用户行为收集系统对推荐质量至关重要。我们设计了以下几种行为类型行为类型权重说明浏览1用户查看景点详情收藏3用户收藏景点购买5用户购买景点门票评价4用户对景点进行评分// 行为记录API示例 PostMapping(/api/behaviors) public ResponseEntity? recordBehavior(RequestBody BehaviorDTO dto) { UserBehavior behavior new UserBehavior(); behavior.setUserId(dto.getUserId()); behavior.setScenicSpot(spotRepository.findById(dto.getSpotId()).orElseThrow()); behavior.setBehaviorType(dto.getType()); behavior.setRating(dto.getRating()); behavior.setTimestamp(System.currentTimeMillis()); behaviorRepository.save(behavior); // 触发实时推荐更新 recommendationService.updateUserRecommendations(dto.getUserId()); return ResponseEntity.ok().build(); }4.2 推荐结果展示前端Vue3组件示例template div classrecommendation-container h3为您推荐的景点/h3 div v-ifloading classloading加载中.../div div v-else-iferror classerror{{ error }}/div div v-else div v-forspot in spots :keyspot.id classspot-card img :srcspot.imageUrl :altspot.name / h4{{ spot.name }}/h4 p{{ spot.description }}/p div classactions button clickviewDetail(spot.id)查看详情/button button clickrecordBehavior(collect, spot.id)收藏/button /div /div /div /div /template script setup import { ref, onMounted } from vue import axios from axios const spots ref([]) const loading ref(true) const error ref(null) const fetchRecommendations async () { try { const response await axios.get(/api/recommendations, { params: { userId: getCurrentUserId(), limit: 6 } }) spots.value response.data } catch (err) { error.value 获取推荐失败请稍后重试 } finally { loading.value false } } const recordBehavior async (type, spotId) { await axios.post(/api/behaviors, { userId: getCurrentUserId(), spotId, type }) } onMounted(fetchRecommendations) /script5. 系统部署与优化5.1 后端部署配置推荐使用以下Spring Boot配置优化性能server: port: 8080 tomcat: max-threads: 200 min-spare-threads: 10 spring: datasource: url: jdbc:mysql://localhost:3306/travel_recommend?useSSLfalse username: root password: yourpassword hikari: maximum-pool-size: 20 connection-timeout: 30000 redis: host: localhost port: 6379 cache: type: redis redis: time-to-live: 1h5.2 前端性能优化代码分割利用Vue Router的懒加载功能图片优化使用WebP格式和懒加载API请求优化合并请求使用缓存打包优化配置vite的splitChunks// vite.config.js export default defineConfig({ build: { rollupOptions: { output: { manualChunks(id) { if (id.includes(node_modules)) { return vendor } } } } } })6. 常见问题与解决方案6.1 冷启动问题问题描述新用户或新景点缺乏足够的行为数据难以生成准确推荐。解决方案采用混合推荐策略结合基于内容的推荐展示热门景点作为默认推荐设计引导流程鼓励用户表达偏好6.2 数据稀疏性问题问题描述用户-景点评分矩阵非常稀疏影响推荐质量。解决方案引入隐语义模型(LFM)补充协同过滤使用矩阵分解技术收集更多维度的用户行为数据6.3 实时性要求问题描述用户希望最新的行为能立即影响推荐结果。解决方案实现增量更新算法使用消息队列处理用户行为事件设计分级缓存策略7. 扩展功能建议上下文感知推荐结合用户当前位置、时间、天气等上下文信息社交推荐整合用户社交网络数据多目标优化平衡商业目标和用户体验可解释推荐向用户解释推荐理由A/B测试框架评估不同算法效果在实际项目中推荐系统的效果评估至关重要。我通常会设置以下指标点击率(CTR)转化率推荐结果的多样性用户满意度调查这个项目最让我印象深刻的是协同过滤算法在实际应用中的表现。虽然原理简单但通过合理的设计和优化能够产生非常精准的推荐结果。特别是在处理旅游推荐这种用户兴趣多样化的场景时基于物品的协同过滤展现出了很好的适应性。