1. 项目背景与需求分析
作为一名计算机专业毕业设计的指导老师，我见过太多学生在选题时盲目跟风，最后做出来的系统要么华而不实，要么功能雷同。今天要分享的这个基于SpringBoot和智能推荐算法的在线课程资源推荐系统，是我认为近年来比较有实用价值的毕业设计选题之一。
为什么说这个选题有价值？首先从需求端来看，现在计算机专业的学生普遍面临两个痛点：一是网上的学习资源太分散，质量参差不齐；二是缺乏个性化的学习路径推荐。我们实验室去年做过一个问卷调查，超过80%的学生表示需要智能化的课程推荐工具。
从技术实现角度，这个系统完美结合了Web开发的主流技术栈（SpringBoot+MyBatis+Thymeleaf）和算法应用场景（推荐系统）。对于本科生来说，既能夯实开发基础，又能接触机器学习实战，是个难得的全栈练手项目。
2. 系统架构设计
2.1 整体技术选型
先来看技术栈的搭配方案：
- 后端框架：SpringBoot 2.7 + MyBatis Plus
- 前端技术：Thymeleaf + Bootstrap 5
- 数据库：MySQL 8.0
- 推荐算法：基于用户的协同过滤（UserCF）
- 辅助工具：Redis缓存、Swagger接口文档
这个组合有几个精妙之处：
- MyBatis Plus极大简化了DAO层开发，它的Wrapper条件构造器特别适合做动态查询
- Thymeleaf天然支持Spring生态，比JSP更现代，又不像Vue/React需要额外学习前端框架
- 选择UserCF而不是更复杂的深度学习模型，既保证了算法可解释性，又控制了实现难度
2.2 核心模块划分
系统采用经典的三层架构，但有几个设计亮点值得注意：
code复制src/
├── main/
│ ├── java/
│ │ └── com/
│ │ └── course/
│ │ ├── config/ # 配置类
│ │ ├── controller/ # 三层架构控制层
│ │ ├── entity/ # 实体类
│ │ ├── mapper/ # MyBatis映射
│ │ ├── service/ # 服务层
│ │ └── util/ # 工具包
│ └── resources/
│ ├── static/ # 静态资源
│ ├── templates/ # 页面模板
│ └── application.yml # 配置文件
特别说明service层的分包策略：
impl子包存放接口实现algorithm子包专用于推荐算法cache子包处理Redis相关逻辑
这种分包方式比传统的按业务模块划分更利于功能扩展，特别是在需要新增推荐算法时。
3. 关键功能实现
3.1 权限控制系统
系统采用RBAC（基于角色的访问控制）模型，但在标准RBAC基础上做了两点优化：
- 动态权限加载：通过实现Spring Security的
FilterInvocationSecurityMetadataSource，从数据库实时加载权限配置。核心代码如下：
java复制@Override
public Collection<ConfigAttribute> getAttributes(Object object) {
String requestUrl = ((FilterInvocation) object).getRequestUrl();
// 从数据库查询该URL需要的角色
List<Role> roles = roleMapper.selectByUrl(requestUrl);
if (roles.isEmpty()) {
return SecurityConfig.createList("ROLE_LOGIN");
}
return roles.stream()
.map(role -> new SecurityConfig(role.getCode()))
.collect(Collectors.toList());
}
- 权限缓存机制：使用Redis缓存权限数据，设置30分钟过期时间，既减轻数据库压力，又保证权限变更能及时生效。
3.2 推荐算法实现
采用改进的UserCF算法，主要优化点包括：
-
兴趣衰减因子：用户的历史行为数据按时间加权，最近的行为权重更高
python复制def time_decay(behavior_time): delta = datetime.now() - behavior_time return math.exp(-delta.days/30) # 30天衰减周期 -
课程相似度计算：不仅考虑用户共同行为，还引入课程标签相似度
java复制public double similarity(Course c1, Course c2) { // Jaccard相似度计算标签重合度 Set<String> tags1 = new HashSet<>(Arrays.asList(c1.getTags())); Set<String> tags2 = new HashSet<>(Arrays.asList(c2.getTags())); double tagSimilarity = (double) CollectionUtils.intersection(tags1, tags2).size() / CollectionUtils.union(tags1, tags2).size(); // 综合行为相似度和标签相似度 return 0.7 * behaviorSimilarity + 0.3 * tagSimilarity; } -
实时推荐接口：通过Spring Cache注解实现缓存
java复制@Cacheable(value = "recommend", key = "#userId") public List<Course> getRecommendCourses(Integer userId) { // 算法实现... }
3.3 性能优化方案
-
数据库层面：
- 课程表采用垂直分表，将大字段（如课程介绍）分离到单独表
- 建立复合索引：
INDEX idx_course_tag (category_id, is_recommended)
-
缓存策略：
- 热点数据：使用Redis String结构缓存课程基本信息
- 列表数据：使用Redis List结构缓存推荐结果
- 分布式锁：Redisson实现防止缓存击穿
-
异步处理：
- 用户行为日志通过RabbitMQ异步写入ES
- 使用Spring的@Async注解处理非实时推荐计算
4. 开发踩坑实录
4.1 典型问题排查
问题1：推荐结果不稳定，有时返回空列表
原因：新用户冷启动问题，没有足够行为数据
解决方案：
- 设置默认推荐列表（按热度排序）
- 实现混合推荐策略，新用户先用基于内容的推荐
问题2：管理员界面批量导入课程时内存溢出
原因：一次性加载所有Excel数据到内存
优化方案：
java复制// 使用EasyExcel的逐行读取模式
ExcelReader reader = EasyExcel.read(in)
.head(CourseImportModel.class)
.registerReadListener(new PageReadListener<CourseImportModel>(dataList -> {
courseService.batchSave(dataList); // 分批保存
dataList.clear();
})).build();
4.2 前端优化技巧
-
表格渲染性能：
- 使用Bootstrap Table的服务器端分页
- 实现列数据的延迟加载
-
防抖处理搜索框：
javascript复制$('#searchInput').on('input', _.debounce(function() {
loadCourses(1);
}, 500));
- 自适应布局方案：
css复制.course-card {
width: calc(25% - 20px);
@media (max-width: 1200px) {
width: calc(33.3% - 20px);
}
/* 响应式调整... */
}
5. 部署与运维方案
5.1 生产环境配置
推荐使用Docker Compose部署：
yaml复制version: '3'
services:
app:
image: openjdk:11-jre
ports:
- "8080:8080"
volumes:
- ./logs:/app/logs
environment:
- SPRING_PROFILES_ACTIVE=prod
mysql:
image: mysql:8.0
environment:
- MYSQL_ROOT_PASSWORD=yourpassword
volumes:
- ./mysql-data:/var/lib/mysql
redis:
image: redis:6
ports:
- "6379:6379"
5.2 监控方案
- 基础监控：Spring Boot Actuator + Prometheus
- 日志收集：ELK Stack（Filebeat收集日志）
- APM工具：SkyWalking监控接口性能
6. 项目扩展方向
对于想进一步提升项目的同学，可以考虑：
- 增加知识图谱模块，实现课程间的关联推荐
- 引入Docker+K8s实现自动化部署
- 开发微信小程序端，使用Uniapp跨平台方案
- 实现AB测试框架，对比不同推荐算法效果
这个项目我在实际指导过程中发现，学生最容易出现的问题是过度关注算法精度而忽视工程实现。其实对于本科毕设来说，能完整实现一个可运行的系统，处理好异常情况和边界条件，比追求算法指标更重要。建议在开发时先保证核心流程跑通，再逐步优化细节。