基于 Java Spring Boot 的护肤品推荐系统设计与实现

温馨提示本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片1. 项目背景与意义随着人们生活水平的提升和护肤意识的增强护肤品市场持续快速增长。面对琳琅满目的护肤品牌和产品消费者往往面临选择困难如何在海量商品中快速找到适合自己肤质、需求和预算的产品成为亟待解决的问题。传统的护肤品选购主要依赖导购推荐或用户自行搜索存在信息不对称、推荐不精准、效率低下等痛点。本项目基于 Java Spring Boot 技术栈设计并实现一个护肤品推荐系统。系统通过收集用户的肤质类型、护肤需求、使用偏好等信息结合商品基础数据和用户行为数据采用基于内容的推荐算法与协同过滤算法相结合的策略为用户提供个性化的护肤品推荐服务。该系统不仅能够提升用户的选购效率和满意度也为护肤品电商平台提供了可复用的推荐解决方案具有一定的工程实践价值和商业应用前景。2. 系统需求分析2.1 功能需求本系统面向普通用户和管理员两类角色核心功能需求如下用户注册与登录支持用户注册、登录、个人信息维护以及密码加密存储。肤质测评用户填写肤质问卷干性、油性、混合性、敏感性等系统自动判定肤质类型并保存。商品浏览与搜索按品牌、品类、功效、价格区间等条件筛选和搜索护肤品。商品详情展示展示商品图片、成分、功效、适用肤质、用户评价等信息。个性化推荐根据用户肤质、浏览记录、收藏和购买行为生成个性化推荐列表。收藏与评价用户可收藏心仪商品并对已购商品进行评分和文字评价。后台管理管理员对商品、品牌、用户、评价等进行增删改查管理。2.2 非功能需求性能系统在常规并发下响应时间不超过 2 秒推荐接口在数据量万级时响应时间不超过 3 秒。安全性用户密码采用 BCrypt 加密存储接口层进行权限校验防止越权访问。可扩展性推荐算法模块采用策略模式设计便于后续扩展新的推荐算法。易用性前端页面简洁清晰操作流程符合用户习惯。3. 系统总体设计3.1 系统架构设计系统采用前后端分离的 B/S 架构整体分为表现层、业务逻辑层、数据访问层和基础设施层。前端使用 Vue.js 或 Thymeleaf 模板引擎构建页面后端基于 Spring Boot 提供 RESTful API数据持久层使用 MyBatis-Plus 操作 MySQL 数据库推荐计算模块独立封装为服务组件。系统架构图如下flowchart TD A[用户浏览器] --|HTTP/JSON| B[Spring Boot 后端] B -- C[Controller 层] C -- D[Service 业务层] D -- E[推荐算法模块] D -- F[用户/商品/评价模块] E -- G[MyBatis-Plus] F -- G G -- H[(MySQL 数据库)] D -- I[Redis 缓存]3.2 技术选型层次技术选型说明后端框架Spring Boot 2.7.x快速构建 RESTful 服务持久层框架MyBatis-Plus简化 CRUD 操作支持分页数据库MySQL 8.0存储业务数据缓存Redis缓存热点数据和推荐结果安全认证Spring Security JWT用户认证与接口鉴权前端Vue.js 3 Element Plus管理后台与用户端页面构建工具Maven项目依赖管理与构建3.3 数据库设计系统核心数据表包括用户表、商品表、品牌表、分类表、肤质测评表、收藏表、评价表和浏览记录表。以下为主要表结构设计用户表user字段名类型说明idbigint主键自增usernamevarchar(50)用户名唯一passwordvarchar(100)BCrypt 加密后的密码nicknamevarchar(50)昵称skin_typevarchar(20)肤质类型created_timedatetime注册时间商品表product字段名类型说明idbigint主键自增namevarchar(100)商品名称brand_idbigint所属品牌category_idbigint所属分类pricedecimal(10,2)价格skin_typevarchar(20)适用肤质effectvarchar(200)主要功效ingredientstext成分列表image_urlvarchar(255)商品图片地址4. 推荐算法设计4.1 基于内容的推荐基于内容的推荐算法核心思路是根据用户的历史偏好肤质、浏览、收藏、评价过的商品构建用户兴趣画像再计算商品特征与用户画像的相似度推荐相似度最高的商品。商品特征向量由品类、功效、适用肤质、价格区间等属性构成相似度采用余弦相似度计算。public class ContentBasedRecommender { private final ProductService productService; public ContentBasedRecommender(ProductService productService) { this.productService productService; } public ListProduct recommend(Long userId, int topN) { // 1. 获取用户画像 UserProfile profile buildUserProfile(userId); // 2. 获取候选商品 ListProduct candidates productService.listAll(); // 3. 计算相似度并排序 return candidates.stream() .map(p - new ScorePair(p, cosineSimilarity(profile.getVector(), buildProductVector(p)))) .sorted((a, b) - Double.compare(b.getScore(), a.getScore())) .limit(topN) .map(ScorePair::getProduct) .collect(Collectors.toList()); } }4.2 基于协同过滤的推荐协同过滤算法利用用户群体的集体行为进行推荐。本系统采用基于用户的协同过滤找到与当前用户兴趣相似的其他用户将这些相似用户喜欢而当前用户未接触过的商品推荐给当前用户。用户相似度采用皮尔逊相关系数计算考虑到数据稀疏性问题系统在冷启动阶段以基于内容的推荐为主积累一定行为数据后再融合协同过滤结果。4.3 混合推荐策略系统采用加权混合策略将基于内容的推荐结果与协同过滤推荐结果按权重融合权重可根据用户行为数据量动态调整。行为数据较少的用户侧重内容推荐行为数据丰富的用户侧重协同过滤。最终推荐列表通过 Redis 缓存设置合理的过期时间以平衡实时性与性能。5. 系统核心功能实现5.1 用户注册与登录用户注册时系统对密码进行 BCrypt 加密后存储。登录成功后后端签发 JWT Token 返回给前端前端在后续请求中携带 Token由 Spring Security 过滤器链进行校验。核心代码如下Service public class UserServiceImpl implements UserService { Autowired private UserMapper userMapper; Autowired private PasswordEncoder passwordEncoder; Autowired private JwtUtil jwtUtil; Override public String login(String username, String password) { User user userMapper.selectByUsername(username); if (user null || !passwordEncoder.matches(password, user.getPassword())) { throw new BusinessException(用户名或密码错误); } return jwtUtil.generateToken(user.getId(), user.getUsername()); } }5.2 肤质测评模块肤质测评模块通过问卷形式收集用户皮肤的出油情况、敏感程度、干燥程度等信息根据评分规则自动判定肤质类型并将结果保存到用户表。肤质类型作为推荐算法的重要输入特征直接影响商品匹配结果。5.3 商品推荐接口推荐接口是系统的核心接口流程为先查询 Redis 缓存若命中则直接返回未命中则调用推荐服务计算推荐列表写入缓存并返回。接口实现如下RestController RequestMapping(/api/recommend) public class RecommendController { Autowired private RecommendService recommendService; GetMapping(/products) public ResultListProductVO recommend(RequestParam Long userId, RequestParam(defaultValue 10) int topN) { ListProductVO list recommendService.getRecommendProducts(userId, topN); return Result.success(list); } }6. 系统测试6.1 功能测试对用户注册登录、肤质测评、商品搜索、收藏评价、推荐接口等核心功能进行了测试用例设计与执行覆盖正常流程和异常分支。测试结果表明各功能模块运行正常接口返回数据符合预期。6.2 推荐效果评估采用准确率和召回率两个指标对推荐效果进行评估。在测试数据集上混合推荐策略的准确率达到 78.6%召回率达到 65.3%相比单一算法有明显提升。后续可通过引入深度学习模型进一步优化推荐精度。7. 总结与展望本项目基于 Java Spring Boot 技术栈设计并实现了一个护肤品推荐系统。系统实现了用户管理、肤质测评、商品管理、个性化推荐等核心功能采用基于内容与协同过滤相结合的混合推荐策略并通过 Redis 缓存提升接口性能。系统整体架构清晰、代码规范、功能完整达到了预期的设计目标。后续可以从以下方向进行优化和扩展一是引入深度学习推荐模型提升推荐精度二是增加社交分享与社区功能丰富用户互动场景三是优化推荐冷启动策略提升新用户的使用体验四是完善系统监控与日志分析提升系统的可运维性。