1. 项目背景与核心价值
旅游推荐系统是当前互联网领域的热门应用方向，如何在海量数据中精准匹配用户兴趣成为技术难点。这个基于Spring Boot和Vue3的协同过滤推荐系统，完美结合了后端算法处理能力和前端交互体验，为旅游行业提供了一套完整的个性化推荐解决方案。
我在实际开发中发现，传统旅游平台最大的痛点就是"千篇一律"的推荐内容。通过协同过滤算法，我们能够分析用户行为数据，发现潜在兴趣点。比如当用户A和用户B都喜欢海岛游和美食探店，而用户B还收藏了潜水项目，系统就会向用户A推荐潜水相关产品，这种"物以类聚，人以群分"的智能推荐效果显著提升了转化率。
2. 技术架构设计
2.1 整体技术栈选型
后端采用Spring Boot 2.7.x（兼容最新Spring Boot 3.x）主要考虑：
- 自动配置特性简化了协同过滤算法所需的复杂依赖管理
- 内置Tomcat服务器方便快速部署
- 与Spring Data JPA完美配合处理用户行为数据
前端选择Vue3组合式API开发因为：
- Composition API更适合处理推荐系统的复杂状态逻辑
- 更小的打包体积提升移动端加载速度
- 更好的TypeScript支持便于维护大型项目
2.2 系统模块划分
code复制旅游推荐系统
├── 推荐引擎模块（Spring Boot）
│ ├── 用户行为采集
│ ├── 相似度计算
│ └── 推荐结果生成
├── 数据存储模块
│ ├── MySQL用户画像
│ └── Redis实时数据
└── 前端展示模块（Vue3）
├── 推荐结果展示
├── 用户反馈收集
└── 可视化分析
3. 协同过滤算法实现
3.1 用户-物品评分矩阵构建
我们采用隐式反馈数据构建矩阵：
java复制// 用户行为权重定义
public enum BehaviorWeight {
CLICK(1),
COLLECT(3),
PURCHASE(5),
SHARE(2);
private final int score;
BehaviorWeight(int score) {
this.score = score;
}
}
// 矩阵构建示例
Map<Long, Map<Long, Integer>> userItemMatrix = new ConcurrentHashMap<>();
3.2 相似度计算优化
使用改进的余弦相似度计算用户相似度：
java复制public double cosineSimilarity(Map<Long, Integer> user1, Map<Long, Integer> user2) {
double dotProduct = 0.0;
double norm1 = 0.0;
double norm2 = 0.0;
// 仅计算共同评价过的物品
Set<Long> commonItems = new HashSet<>(user1.keySet());
commonItems.retainAll(user2.keySet());
for (Long itemId : commonItems) {
dotProduct += user1.get(itemId) * user2.get(itemId);
norm1 += Math.pow(user1.get(itemId), 2);
norm2 += Math.pow(user2.get(itemId), 2);
}
return norm1 == 0 || norm2 == 0 ? 0 : dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
}
3.3 冷启动问题解决方案
针对新用户采用混合推荐策略：
- 基于内容的推荐：分析旅游产品标签
- 热门推荐：近期购买Top 100
- 地域推荐：根据IP定位推荐当地景点
4. Spring Boot后端关键实现
4.1 推荐API设计
java复制@RestController
@RequestMapping("/api/recommend")
public class RecommendController {
@GetMapping("/forUser/{userId}")
public ResponseEntity<List<TravelItem>> getUserRecommendations(
@PathVariable Long userId,
@RequestParam(defaultValue = "10") int size) {
// 1. 获取相似用户
List<Long> similarUsers = cfService.findSimilarUsers(userId, 5);
// 2. 生成推荐结果
List<TravelItem> recommendations = cfService.generateRecommendations(
userId, similarUsers, size);
// 3. 混合推荐补充
if(recommendations.size() < size) {
recommendations.addAll(hotService.getHotItems(size - recommendations.size()));
}
return ResponseEntity.ok(recommendations);
}
}
4.2 性能优化措施
- 缓存策略：
java复制@Cacheable(value = "userRecommendations", key = "#userId",
unless = "#result.size() < 3")
public List<TravelItem> generateRecommendations(Long userId,
List<Long> similarUsers, int size) {
// 推荐逻辑
}
- 异步计算：
java复制@Async
@Scheduled(fixedRate = 3600000) // 每小时更新一次
public void precomputeUserSimilarities() {
// 批量预计算用户相似度
}
5. Vue3前端实现技巧
5.1 推荐结果可视化
使用ECharts实现推荐权重分析：
vue复制<template>
<div ref="chart" style="width: 100%; height: 400px;"></div>
</template>
<script setup>
import { onMounted, ref } from 'vue';
import * as echarts from 'echarts';
const chart = ref(null);
const props = defineProps(['recommendData']);
onMounted(() => {
const myChart = echarts.init(chart.value);
myChart.setOption({
tooltip: {},
series: [{
type: 'wordCloud',
data: props.recommendData.map(item => ({
name: item.name,
value: item.recommendScore,
// 其他可视化配置
}))
}]
});
});
</script>
5.2 用户反馈收集优化
采用非侵入式评分设计：
vue复制<template>
<div class="feedback-float" @mouseover="showFeedback = true">
<transition name="fade">
<div v-if="showFeedback" @mouseleave="showFeedback = false">
<p>这个推荐对您有帮助吗？</p>
<button @click="rateRecommendation(1)">👍</button>
<button @click="rateRecommendation(-1)">👎</button>
</div>
</transition>
</div>
</template>
6. 部署与性能调优
6.1 生产环境配置建议
application-prod.yml关键配置：
yaml复制spring:
datasource:
url: jdbc:mysql://cluster-mysql:3306/travel_rec?useSSL=false
hikari:
maximum-pool-size: 20
connection-timeout: 30000
redis:
cluster:
nodes: redis-node1:6379,redis-node2:6379,redis-node3:6379
jedis:
pool:
max-active: 50
6.2 压力测试指标
使用JMeter测试结果：
- 推荐接口平均响应时间：< 200ms (100并发)
- 用户相似度计算耗时：约2秒/万用户
- 内存占用：约1.5GB (JVM堆内存配置2G)
7. 实际开发中的经验总结
-
数据稀疏性问题：初期用户行为数据不足时，建议引入旅游产品标签体系作为补充。我们通过TF-IDF算法分析产品描述文本，提取出"亲子游"、"极限运动"等标签，显著改善了初期推荐质量。
-
实时性挑战：用户最新行为需要快速影响推荐结果。我们的解决方案是：
- 使用Redis Stream记录实时行为事件
- 每小时增量更新用户相似度矩阵
- 对近期行为赋予更高权重
-
AB测试框架集成：为评估不同算法效果，我们开发了简单的AB测试模块：
java复制public interface RecommendationStrategy {
List<TravelItem> recommend(Long userId, int size);
}
@Primary
@ConditionalOnProperty(name = "recommend.strategy", havingValue = "hybrid")
public class HybridRecommendStrategy implements RecommendationStrategy {
// 混合推荐实现
}
这个项目从零开始到上线运营共耗时3个月，期间最大的收获是认识到推荐系统不是"一劳永逸"的工程，而需要持续迭代优化。我们建立了每周分析推荐效果的机制，通过A/B测试不断调整算法参数，最终将点击通过率提升了37%。