SSM+Flask混合架构电影推荐系统设计与实现

1. 项目概述：基于SSM+Flask的混合架构电影推荐平台

这个电影推荐平台采用前后端分离架构，前端使用Python的Flask框架实现用户交互界面，后端采用Java的SSM(Spring+SpringMVC+MyBatis)框架处理业务逻辑。系统主要功能包括：电影信息管理、用户评分收集、个性化推荐算法实现、新闻公告管理等。平台通过分析用户历史行为数据，为用户推荐可能感兴趣的高分经典电影。

技术选型思考：选择Flask作为前端框架是因为其轻量级和灵活性，特别适合快速构建展示型页面；而SSM框架在后端开发中具有成熟的生态体系，能够很好地处理复杂的业务逻辑和数据持久化需求。这种混合架构充分发挥了两种技术栈各自的优势。

2. 系统架构设计

2.1 整体架构设计

系统采用典型的三层架构设计：

1. 表现层：Flask实现的前端界面
2. 业务逻辑层：Spring MVC处理核心业务
3. 数据访问层：MyBatis操作数据库

code复制客户端 → Flask前端 → REST API → Spring MVC → MyBatis → MySQL
                     ↑
               推荐算法模块

2.2 数据库设计

核心数据表包括：

• 用户表(user)：存储用户基本信息
• 电影表(movie)：存储电影元数据
• 评分表(rating)：记录用户评分行为
• 新闻表(news)：管理系统公告

sql复制CREATE TABLE `movie` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `title` varchar(255) NOT NULL,
  `director` varchar(100) DEFAULT NULL,
  `actors` varchar(255) DEFAULT NULL,
  `release_year` int(11) DEFAULT NULL,
  `genre` varchar(50) DEFAULT NULL,
  `rating` decimal(3,1) DEFAULT NULL,
  `description` text,
  `cover_url` varchar(255) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

2.3 接口设计

前后端通过RESTful API交互，主要接口包括：

• GET /api/movies - 获取电影列表
• POST /api/ratings - 提交用户评分
• GET /api/recommendations - 获取个性化推荐
• GET /api/news - 获取新闻公告

3. 核心功能实现

3.1 电影推荐算法实现

系统采用基于用户的协同过滤算法实现推荐功能：

java复制public List<Movie> recommendMovies(int userId, int topN) {
    // 1. 获取目标用户的评分记录
    List<Rating> userRatings = ratingMapper.selectByUserId(userId);
    
    // 2. 计算与其他用户的相似度
    Map<Integer, Double> userSimilarities = new HashMap<>();
    for (User otherUser : userMapper.selectAll()) {
        if (otherUser.getId() == userId) continue;
        
        double similarity = calculateSimilarity(userId, otherUser.getId());
        userSimilarities.put(otherUser.getId(), similarity);
    }
    
    // 3. 获取相似用户喜欢的电影
    Map<Movie, Double> movieScores = new HashMap<>();
    for (Map.Entry<Integer, Double> entry : userSimilarities.entrySet()) {
        int similarUserId = entry.getKey();
        double similarity = entry.getValue();
        
        for (Rating rating : ratingMapper.selectByUserId(similarUserId)) {
            if (!userHasRated(userId, rating.getMovieId())) {
                Movie movie = movieMapper.selectById(rating.getMovieId());
                movieScores.merge(movie, rating.getScore() * similarity, Double::sum);
            }
        }
    }
    
    // 4. 返回评分最高的N部电影
    return movieScores.entrySet().stream()
            .sorted(Map.Entry.<Movie, Double>comparingByValue().reversed())
            .limit(topN)
            .map(Map.Entry::getKey)
            .collect(Collectors.toList());
}

3.2 电影管理功能实现

后端采用Spring MVC实现电影管理功能：

java复制@RestController
@RequestMapping("/api/movies")
public class MovieController {
    
    @Autowired
    private MovieService movieService;
    
    @GetMapping
    public ResponseEntity<List<Movie>> listMovies(
            @RequestParam(required = false) String genre,
            @RequestParam(required = false) Integer year,
            @RequestParam(required = false) String keyword) {
        
        MovieQuery query = new MovieQuery();
        query.setGenre(genre);
        query.setYear(year);
        query.setKeyword(keyword);
        
        List<Movie> movies = movieService.queryMovies(query);
        return ResponseEntity.ok(movies);
    }
    
    @PostMapping
    public ResponseEntity<Movie> addMovie(@RequestBody Movie movie) {
        movieService.addMovie(movie);
        return ResponseEntity.status(HttpStatus.CREATED).body(movie);
    }
    
    @PutMapping("/{id}")
    public ResponseEntity<Movie> updateMovie(
            @PathVariable Integer id, @RequestBody Movie movie) {
        movie.setId(id);
        movieService.updateMovie(movie);
        return ResponseEntity.ok(movie);
    }
}

3.3 用户认证与授权

使用Spring Security实现基于JWT的用户认证：

java复制@Configuration
@EnableWebSecurity
public class SecurityConfig extends WebSecurityConfigurerAdapter {
    
    @Autowired
    private UserDetailsService userDetailsService;
    
    @Autowired
    private JwtAuthenticationFilter jwtAuthenticationFilter;
    
    @Override
    protected void configure(AuthenticationManagerBuilder auth) throws Exception {
        auth.userDetailsService(userDetailsService)
            .passwordEncoder(passwordEncoder());
    }
    
    @Override
    protected void configure(HttpSecurity http) throws Exception {
        http.csrf().disable()
            .authorizeRequests()
                .antMatchers("/api/auth/**").permitAll()
                .antMatchers("/api/news/**").permitAll()
                .anyRequest().authenticated()
            .and()
            .sessionManagement()
                .sessionCreationPolicy(SessionCreationPolicy.STATELESS);
        
        http.addFilterBefore(jwtAuthenticationFilter, 
            UsernamePasswordAuthenticationFilter.class);
    }
    
    @Bean
    public PasswordEncoder passwordEncoder() {
        return new BCryptPasswordEncoder();
    }
}

4. 前端实现细节

4.1 Flask前端架构

前端采用Flask+Jinja2模板引擎实现，主要模块包括：

• 路由模块(views.py)：处理页面请求
• 模板目录(templates)：存放HTML模板
• 静态资源(static)：存放CSS/JS/图片

python复制from flask import Flask, render_template, request
import requests

app = Flask(__name__)
API_BASE_URL = "http://localhost:8080/api"

@app.route('/')
def index():
    # 获取热门电影
    response = requests.get(f"{API_BASE_URL}/movies?sort=rating&order=desc&limit=10")
    popular_movies = response.json()
    
    # 获取新闻公告
    news_response = requests.get(f"{API_BASE_URL}/news")
    news_list = news_response.json().get('data', [])
    
    return render_template('index.html', 
                         popular_movies=popular_movies,
                         news_list=news_list)

@app.route('/recommendations')
def recommendations():
    # 需要用户登录后才能查看推荐
    user_id = session.get('user_id')
    if not user_id:
        return redirect('/login')
    
    response = requests.get(
        f"{API_BASE_URL}/recommendations?userId={user_id}",
        headers={'Authorization': f'Bearer {session.get("token")}'}
    )
    recommended_movies = response.json()
    
    return render_template('recommendations.html', 
                         movies=recommended_movies)

4.2 电影详情页实现

电影详情页展示电影基本信息、评分和相似推荐：

html复制{% extends "base.html" %}

{% block content %}
<div class="movie-detail">
    <div class="row">
        <div class="col-md-4">
            <img src="{{ movie.cover_url }}" class="img-fluid" alt="{{ movie.title }}">
        </div>
        <div class="col-md-8">
            <h1>{{ movie.title }} ({{ movie.release_year }})</h1>
            <p><strong>导演:</strong> {{ movie.director }}</p>
            <p><strong>主演:</strong> {{ movie.actors }}</p>
            <p><strong>类型:</strong> {{ movie.genre }}</p>
            <p><strong>评分:</strong> {{ movie.rating }}</p>
            <p>{{ movie.description }}</p>
            
            {% if current_user.is_authenticated %}
            <div class="rating-form">
                <h3>我的评分</h3>
                <form action="/rate/{{ movie.id }}" method="post">
                    <select name="score" class="form-control">
                        <option value="1">1星</option>
                        <option value="2">2星</option>
                        <option value="3">3星</option>
                        <option value="4">4星</option>
                        <option value="5">5星</option>
                    </select>
                    <button type="submit" class="btn btn-primary">提交评分</button>
                </form>
            </div>
            {% endif %}
        </div>
    </div>
    
    <div class="similar-movies mt-5">
        <h3>相似电影推荐</h3>
        <div class="row">
            {% for movie in similar_movies %}
            <div class="col-md-3">
                <div class="card">
                    <img src="{{ movie.cover_url }}" class="card-img-top" alt="{{ movie.title }}">
                    <div class="card-body">
                        <h5 class="card-title">{{ movie.title }}</h5>
                        <p class="card-text">{{ movie.rating }}分</p>
                        <a href="/movie/{{ movie.id }}" class="btn btn-sm btn-outline-primary">查看详情</a>
                    </div>
                </div>
            </div>
            {% endfor %}
        </div>
    </div>
</div>
{% endblock %}

5. 系统部署与优化

5.1 项目构建与依赖管理

后端使用Maven管理依赖，关键依赖包括：

xml复制<dependencies>
    <!-- Spring Boot Starter -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    
    <!-- MyBatis -->
    <dependency>
        <groupId>org.mybatis.spring.boot</groupId>
        <artifactId>mybatis-spring-boot-starter</artifactId>
        <version>2.2.0</version>
    </dependency>
    
    <!-- MySQL Connector -->
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
        <scope>runtime</scope>
    </dependency>
    
    <!-- JWT -->
    <dependency>
        <groupId>io.jsonwebtoken</groupId>
        <artifactId>jjwt</artifactId>
        <version>0.9.1</version>
    </dependency>
    
    <!-- Guava -->
    <dependency>
        <groupId>com.google.guava</groupId>
        <artifactId>guava</artifactId>
        <version>30.1.1-jre</version>
    </dependency>
</dependencies>

5.2 性能优化策略

1. 缓存策略：
   • 使用Redis缓存热门电影数据和推荐结果
   • 实现两级缓存：本地缓存(Caffeine)+分布式缓存(Redis)

java复制@Service
public class MovieService {
    
    @Autowired
    private MovieMapper movieMapper;
    
    @Autowired
    private RedisTemplate<String, Object> redisTemplate;
    
    private final Cache<Integer, Movie> localCache = Caffeine.newBuilder()
            .maximumSize(1000)
            .expireAfterWrite(10, TimeUnit.MINUTES)
            .build();
    
    public Movie getMovieById(Integer id) {
        // 先查本地缓存
        Movie movie = localCache.getIfPresent(id);
        if (movie != null) {
            return movie;
        }
        
        // 再查Redis
        String cacheKey = "movie:" + id;
        movie = (Movie) redisTemplate.opsForValue().get(cacheKey);
        if (movie != null) {
            localCache.put(id, movie);
            return movie;
        }
        
        // 最后查数据库
        movie = movieMapper.selectById(id);
        if (movie != null) {
            redisTemplate.opsForValue().set(cacheKey, movie, 1, TimeUnit.HOURS);
            localCache.put(id, movie);
        }
        
        return movie;
    }
}

2. 数据库优化：

   • 为常用查询字段建立索引
   • 使用读写分离架构
   • 定期执行SQL优化分析

3. 推荐算法优化：

   • 使用离线计算+实时更新的混合模式
   • 实现基于物品的协同过滤作为备选算法

6. 常见问题与解决方案

6.1 跨域问题解决

由于前后端分离部署，需要处理跨域问题。后端配置CORS支持：

java复制@Configuration
public class CorsConfig implements WebMvcConfigurer {
    
    @Override
    public void addCorsMappings(CorsRegistry registry) {
        registry.addMapping("/**")
                .allowedOrigins("http://localhost:5000") // Flask前端地址
                .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS")
                .allowedHeaders("*")
                .allowCredentials(true)
                .maxAge(3600);
    }
}

6.2 推荐冷启动问题

对于新用户或新电影，采用以下策略解决冷启动问题：

1. 新用户：推荐热门电影或随机选择不同类型的高分电影
2. 新电影：基于内容相似度推荐(导演、演员、类型相似)

java复制public List<Movie> handleColdStart(Integer userId) {
    // 如果是新用户
    if (userId == null || ratingMapper.countByUserId(userId) == 0) {
        // 返回热门电影
        return movieMapper.selectPopularMovies(10);
    }
    
    // 如果是新电影(评分不足)
    List<Movie> newMovies = movieMapper.selectNewMoviesWithFewRatings();
    if (!newMovies.isEmpty()) {
        // 基于内容相似度推荐
        Movie randomNewMovie = newMovies.get(random.nextInt(newMovies.size()));
        return movieMapper.selectSimilarByContent(
            randomNewMovie.getGenre(), 
            randomNewMovie.getDirector(), 
            5);
    }
    
    // 默认返回空列表
    return Collections.emptyList();
}

6.3 性能监控与日志

集成Spring Boot Actuator和Prometheus实现系统监控：

yaml复制# application.yml
management:
  endpoints:
    web:
      exposure:
        include: health,info,metrics,prometheus
  metrics:
    tags:
      application: movie-recommendation

配置日志系统，使用Logback记录关键操作：

xml复制<!-- logback-spring.xml -->
<configuration>
    <appender name="FILE" class="ch.qos.logback.core.rolling.RollingFileAppender">
        <file>logs/application.log</file>
        <rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">
            <fileNamePattern>logs/application.%d{yyyy-MM-dd}.log</fileNamePattern>
            <maxHistory>30</maxHistory>
        </rollingPolicy>
        <encoder>
            <pattern>%d{yyyy-MM-dd HH:mm:ss} [%thread] %-5level %logger{36} - %msg%n</pattern>
        </encoder>
    </appender>

    <logger name="com.example.movie" level="DEBUG" additivity="false">
        <appender-ref ref="FILE"/>
    </logger>

    <root level="INFO">
        <appender-ref ref="FILE"/>
    </root>
</configuration>

7. 项目扩展方向

1. 多算法融合推荐：

   • 实现基于内容的推荐算法
   • 结合协同过滤和基于内容的推荐结果
   • 使用机器学习模型预测用户偏好

2. 用户行为分析：

   • 收集用户点击、浏览时长等隐式反馈
   • 使用RabbitMQ实现异步行为日志处理
   • 基于用户行为优化推荐权重

3. 微服务化改造：

   • 将推荐算法、用户服务、电影服务拆分为独立微服务
   • 使用Consul实现服务发现
   • 通过Feign实现服务间调用

4. 移动端适配：

   • 开发响应式前端界面
   • 提供专门的移动端API
   • 开发原生App版本

实际开发中发现，推荐算法的效果高度依赖数据质量。在项目初期，我们遇到了用户评分数据稀疏的问题，通过引入电影内容相似度作为辅助指标，显著提升了推荐的相关性。另外，对于高并发场景，将推荐结果预计算并缓存是必不可少的优化手段。