企业官网建设流程全解析

1. 项目背景与意义

随着人们生活水平的不断提高，旅游已成为大众休闲娱乐的重要方式。然而，面对海量的景点信息和多样化的出行需求，游客往往难以快速找到符合自身偏好的目的地。传统的旅游平台多采用静态列表或简单搜索，缺乏对用户兴趣的个性化挖掘，导致信息过载、选择困难等问题日益突出。

基于 Spring Boot 的景点旅游推荐系统，旨在通过收集用户的浏览行为、收藏记录、评分反馈等数据，构建用户兴趣画像，并利用协同过滤、内容推荐等算法，为每位用户提供个性化的景点推荐服务。该系统不仅能提升用户的出行决策效率，还能帮助景区和旅游平台实现精准营销，具有较高的实用价值和社会意义。

2. 系统技术栈

本系统采用前后端分离的开发模式，后端基于 Spring Boot 框架构建，前端使用 Vue.js 进行页面渲染，数据库选用 MySQL 存储业务数据，Redis 用于缓存热点数据以提升系统性能。整体技术选型如下：

3. 系统功能模块设计

系统主要分为用户端和管理端两大模块。用户端面向普通游客，提供景点浏览、搜索、收藏、评分、评论以及个性化推荐等功能；管理端面向系统管理员，负责景点信息管理、用户管理、推荐策略配置和数据统计等操作。

在推荐模块中，系统首先根据用户的显式反馈（评分、收藏）和隐式反馈（浏览时长、点击次数）构建用户兴趣模型，然后通过协同过滤算法计算用户之间的相似度，找出相似用户群体偏好的景点，再结合景点自身的标签属性进行内容过滤，最终生成 Top-N 推荐列表返回给前端展示。

4. 核心代码实现

下面给出系统后端几个核心模块的关键代码示例。

4.1 景点实体类

@Data @TableName("scenic_spot") public class ScenicSpot { @TableId(type = IdType.AUTO) private Long id; private String name; private String location; private String description; private String tags; private Double score; private String coverUrl; private Integer viewCount; private LocalDateTime createTime; }

4.2 用户评分与推荐服务

@Service public class RecommendService { @Resource private UserBehaviorMapper behaviorMapper; @Resource private ScenicSpotMapper spotMapper; /** 基于协同过滤的景点推荐 */ public List<ScenicSpot> recommendForUser(Long userId, int topN) { // 1. 获取当前用户的评分记录 List<UserBehavior> myBehaviors = behaviorMapper.selectList( new LambdaQueryWrapper<UserBehavior>() .eq(UserBehavior::getUserId, userId)); // 2. 查找与当前用户行为相似的其他用户 List<UserBehavior> allBehaviors = behaviorMapper.selectList(null); Map<Long, List<UserBehavior>> userBehaviorMap = allBehaviors.stream() .collect(Collectors.groupingBy(UserBehavior::getUserId)); // 3. 计算用户相似度并生成推荐候选集 Map<Long, Double> similarityMap = new HashMap<>(); for (Map.Entry<Long, List<UserBehavior>> entry : userBehaviorMap.entrySet()) { Long otherUserId = entry.getKey(); if (otherUserId.equals(userId)) { continue; } double similarity = calcCosineSimilarity(myBehaviors, entry.getValue()); if (similarity > 0) { similarityMap.put(otherUserId, similarity); } } // 4. 汇总相似用户的景点评分，按加权得分排序 Map<Long, Double> scoreMap = new HashMap<>(); for (Map.Entry<Long, Double> entry : similarityMap.entrySet()) { Long otherUserId = entry.getKey(); double sim = entry.getValue(); List<UserBehavior> behaviors = userBehaviorMap.get(otherUserId); for (UserBehavior behavior : behaviors) { if (behavior.getScore() != null && behavior.getScore() > 0) { scoreMap.merge(behavior.getSpotId(), sim * behavior.getScore(), Double::sum); } } } // 5. 取得分最高的前 N 个景点 return scoreMap.entrySet().stream() .sorted(Map.Entry.<Long, Double>comparingByValue().reversed()) .limit(topN) .map(entry -> spotMapper.selectById(entry.getKey())) .collect(Collectors.toList()); } /** 计算两个用户评分向量的余弦相似度 */ private double calcCosineSimilarity(List<UserBehavior> a, List<UserBehavior> b) { Map<Long, Double> mapA = a.stream() .collect(Collectors.toMap(UserBehavior::getSpotId, UserBehavior::getScore, (x, y) -> x)); Map<Long, Double> mapB = b.stream() .collect(Collectors.toMap(UserBehavior::getSpotId, UserBehavior::getScore, (x, y) -> x)); double dot = 0, normA = 0, normB = 0; for (Map.Entry<Long, Double> e : mapA.entrySet()) { normA += e.getValue() * e.getValue(); Double vb = mapB.get(e.getKey()); if (vb != null) { dot += e.getValue() * vb; } } for (Double v : mapB.values()) { normB += v * v; } if (normA == 0 || normB == 0) { return 0; } return dot / (Math.sqrt(normA) * Math.sqrt(normB)); } }

4.3 景点推荐控制器

@RestController @RequestMapping("/api/recommend") public class RecommendController { @Resource private RecommendService recommendService; @GetMapping("/{userId}") public Result<List<ScenicSpot>> recommend(@PathVariable Long userId, @RequestParam(defaultValue = "10") int topN) { List<ScenicSpot> spots = recommendService.recommendForUser(userId, topN); return Result.success(spots); } }

5. 系统总结

本系统基于 Spring Boot 构建，采用协同过滤与内容推荐相结合的混合推荐策略，实现了景点信息的个性化推送。系统结构清晰、接口规范，具备良好的扩展性。后续可进一步引入深度学习模型、实时流计算等技术，提升推荐精度和系统响应速度，为用户提供更智能的旅游出行服务。