毕业设计：基于springboot+vue前后端分离的美食推荐系统（源码）
·
目录
一、项目背景
在移动互联网与社交媒体深度渗透人们日常生活的当下，美食文化已成为现代城市生活中不可或缺的重要组成部分。随着大众消费水平的不断提升与生活节奏的日益加快，外出就餐、美食打卡已成为年轻人社交娱乐与品质生活的主流方式。据统计，我国餐饮市场规模已突破4万亿元，餐饮用户数量持续攀升，消费者对于美食信息获取的需求呈现出多元化、个性化、即时化的显著特征。
然而，面对海量的餐饮信息与层出不穷的网红餐厅，消费者在美食选择过程中普遍面临着“信息过载”的困境。一方面，传统的美食推荐平台多采用大众评分、距离排序等单一维度进行筛选，难以精准匹配用户的个性化口味偏好、消费预算、用餐场景等差异化需求；另一方面，大量优质的本土特色餐厅因缺乏有效的曝光渠道，难以触达目标消费群体，导致供需双方信息不对称问题突出。此外，现有平台普遍存在推荐结果同质化严重、评价真实性难以保障、交互体验欠佳等痛点，无法为用户提供真正贴心、高效的美食发现体验。
随着大数据技术与人工智能算法的快速发展，个性化推荐系统已成为解决信息过载问题的有效手段。通过分析用户的历史行为、口味偏好、社交关系等多维数据，构建用户画像与菜品特征模型，能够实现“千人千面”的精准推荐，显著提升用户的美食探索体验。同时，前后端分离的架构模式使得系统开发更加灵活高效，前端Vue框架能够构建流畅友好的用户交互界面，后端SpringBoot框架则提供了稳定可靠的服务支撑。
基于此，本课题拟设计并实现一套基于SpringBoot+Vue前后端分离架构的美食推荐系统。该系统将集成协同过滤推荐算法与内容推荐算法，结合用户的地理位置、消费记录、口味标签等信息，为用户提供个性化的餐厅与菜品推荐服务。系统还将包含餐厅信息管理、用户评价、美食社区、收藏分享等核心功能模块，致力于打造一个集美食发现、社交互动、信息管理于一体的综合性美食服务平台。该系统的开发与应用，对于提升用户美食消费体验、助力中小餐饮商家精准获客、推动餐饮行业数字化转型具有重要的理论价值与现实意义。
二、技术介绍
本系统采用前后端分离的架构模式进行设计与开发，前端基于Vue.js框架构建用户界面，后端基于SpringBoot框架提供RESTful API服务，前后端通过JSON格式进行数据交互，实现界面与业务逻辑的解耦，提高系统的可维护性与扩展性。
后端技术栈方面，系统以SpringBoot为核心框架，利用其自动配置与起步依赖特性，简化项目搭建与开发流程。SpringBoot提供了内嵌的Servlet容器，使得应用可以独立运行，无需部署WAR包。持久层选用MyBatis作为ORM框架，通过XML或注解的方式编写SQL语句，实现灵活的数据库操作。MyBatis支持定制化SQL、存储过程以及高级映射，能够满足复杂业务场景下的数据访问需求。数据库采用MySQL关系型数据库，MySQL具有性能稳定、开源免费、支持海量数据存储等优势，适合作为中小型Web应用的数据存储方案。
前端采用Vue.js渐进式JavaScript框架进行开发。Vue采用MVVM设计模式，通过响应式的数据绑定与组件化开发机制，能够高效构建交互丰富的单页面应用。Vue Router负责前端路由管理，实现页面间的无刷新跳转；Vuex作为状态管理工具，统一维护用户登录状态、全局数据等共享信息，确保数据流向清晰可控。
在系统架构上，严格遵循MVC分层设计原则，将Controller控制层、Service业务层、Mapper持久层各司其职，代码结构清晰规范。通过合理的分层设计，系统具备良好的可测试性与可维护性，为后续功能扩展与迭代升级奠定了坚实基础。
三、功能介绍
1. 用户认证与个人中心
登录注册：用户登录、注册
个人中心：用户信息管理、个人资料维护
2. 美食资讯与社区
美食资讯：查看最新美食相关文章
论坛交流：用户发帖、回帖、讨论美食话题
3. 美食商城
美食分类：按分类浏览美食商品
商品展示：查看美食商品详情
购物车：添加商品、管理购物车
订单管理：确认订单、查看订单列表
地址管理：收货地址的增删改查
4. 社交功能
收藏功能：收藏喜欢的商品或内容
好友聊天：添加好友、实时聊天
客服系统：与客服沟通
5. 系统功能
操作日志：查看用户操作记录
友情链接：合作伙伴链接展示
二、后台管理系统
1. 系统管理
管理员管理：管理员账号的增删改查
操作日志：系统操作记录查看
轮播图配置：首页轮播图管理
2. 用户管理
用户管理：注册用户信息管理
管理员个人中心：修改密码、个人信息
3. 内容管理
美食资讯管理：资讯文章的发布与管理
论坛管理：用户发帖内容管理
评论管理：论坛和商城的评论审核
4. 商品管理
美食分类管理：商品分类的维护
美食商城管理：商品上下架、信息编辑
订单管理：订单处理、状态更新
5. 系统配置
友情链接管理：合作伙伴链接维护
客服聊天管理：客服对话监控
四、代码设计
// RecommendationService.java
package com.food.service;
import com.baomidou.mybatisplus.core.conditions.query.LambdaQueryWrapper;
import com.food.dto.RecommendRequestDTO;
import com.food.entity.Recommendation;
import com.food.entity.Restaurant;
import com.food.entity.UserBehavior;
import com.food.mapper.RecommendationMapper;
import com.food.mapper.RestaurantMapper;
import com.food.mapper.UserBehaviorMapper;
import com.food.vo.RestaurantVO;
import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.stereotype.Service;
import org.springframework.transaction.annotation.Transactional;
import java.math.BigDecimal;
import java.math.RoundingMode;
import java.time.LocalDateTime;
import java.util.*;
import java.util.stream.Collectors;
@Slf4j
@Service
@RequiredArgsConstructor
public class RecommendationService {
private final RestaurantMapper restaurantMapper;
private final UserBehaviorMapper userBehaviorMapper;
private final RecommendationMapper recommendationMapper;
// 行为类型权重
private static final Map<Integer, Double> BEHAVIOR_WEIGHT = new HashMap<>();
static {
BEHAVIOR_WEIGHT.put(1, 0.5); // 浏览
BEHAVIOR_WEIGHT.put(2, 2.0); // 收藏
BEHAVIOR_WEIGHT.put(3, 1.5); // 点赞
BEHAVIOR_WEIGHT.put(4, 3.0); // 评分
BEHAVIOR_WEIGHT.put(5, 1.2); // 分享
}
/**
* 混合推荐算法：协同过滤 + 基于内容推荐 + 热门推荐
*/
public List<RestaurantVO> getHybridRecommendations(RecommendRequestDTO request) {
Long userId = request.getUserId();
String city = request.getCity();
int limit = request.getPageSize();
// 1. 获取用户已有行为数据
List<Long> viewedRestaurants = userBehaviorMapper.selectUserViewedRestaurants(userId);
List<Long> favoriteRestaurants = userBehaviorMapper.selectUserFavoriteRestaurants(userId, 10);
Map<Long, Double> candidateScores = new HashMap<>();
// 2. 协同过滤推荐（基于用户相似度）
if (!favoriteRestaurants.isEmpty()) {
Map<Long, Double> cfScores = collaborativeFiltering(userId, favoriteRestaurants);
cfScores.forEach((id, score) ->
candidateScores.merge(id, score * 0.4, Double::sum));
}
// 3. 基于内容的推荐（基于用户偏好标签）
Map<Long, Double> contentScores = contentBasedRecommendation(userId, viewedRestaurants);
contentScores.forEach((id, score) ->
candidateScores.merge(id, score * 0.3, Double::sum));
// 4. 热门推荐（基于评分和评论数）
Map<Long, Double> hotScores = hotRecommendation(city);
hotScores.forEach((id, score) ->
candidateScores.merge(id, score * 0.2, Double::sum));
// 5. 地理位置推荐
Map<Long, Double> locationScores = locationBasedRecommendation(userId, city);
locationScores.forEach((id, score) ->
candidateScores.merge(id, score * 0.1, Double::sum));
// 6. 过滤已浏览过的餐厅
Set<Long> viewedSet = new HashSet<>(viewedRestaurants);
candidateScores.entrySet().removeIf(entry -> viewedSet.contains(entry.getKey()));
// 7. 排序并返回Top N
List<Long> recommendedIds = candidateScores.entrySet().stream()
.sorted(Map.Entry.<Long, Double>comparingByValue().reversed())
.limit(limit)
.map(Map.Entry::getKey)
.collect(Collectors.toList());
// 8. 保存推荐记录
saveRecommendations(userId, recommendedIds, candidateScores);
// 9. 获取餐厅详情并返回
return getRestaurantDetails(recommendedIds);
}
/**
* 协同过滤推荐：找到相似用户喜欢的餐厅
*/
private Map<Long, Double> collaborativeFiltering(Long userId, List<Long> favoriteRestaurants) {
Map<Long, Double> scores = new HashMap<>();
// 查询与该用户有相似喜好的其他用户
LambdaQueryWrapper<UserBehavior> wrapper = new LambdaQueryWrapper<>();
wrapper.in(UserBehavior::getRestaurantId, favoriteRestaurants)
.ne(UserBehavior::getUserId, userId)
.eq(UserBehavior::getBehaviorType, 2); // 收藏行为
List<UserBehavior> similarBehaviors = userBehaviorMapper.selectList(wrapper);
// 统计相似用户喜欢的餐厅
Map<Long, Integer> restaurantCount = new HashMap<>();
for (UserBehavior behavior : similarBehaviors) {
restaurantCount.merge(behavior.getRestaurantId(), 1, Integer::sum);
}
// 计算推荐分数
for (Map.Entry<Long, Integer> entry : restaurantCount.entrySet()) {
double score = entry.getValue() / (double) favoriteRestaurants.size();
scores.put(entry.getKey(), score);
}
return scores;
}
/**
* 基于内容的推荐：根据用户历史偏好的标签和菜系
*/
private Map<Long, Double> contentBasedRecommendation(Long userId, List<Long> viewedRestaurants) {
Map<Long, Double> scores = new HashMap<>();
if (viewedRestaurants.isEmpty()) {
return scores;
}
// 获取用户历史浏览的餐厅
List<Restaurant> viewed = restaurantMapper.selectBatchIds(viewedRestaurants);
// 统计用户偏好的菜系和标签
Map<String, Integer> categoryPreference = new HashMap<>();
Map<String, Integer> tagPreference = new HashMap<>();
for (Restaurant restaurant : viewed) {
categoryPreference.merge(restaurant.getCategory(), 1, Integer::sum);
if (restaurant.getTags() != null) {
String[] tags = restaurant.getTags().split(",");
for (String tag : tags) {
tagPreference.merge(tag.trim(), 1, Integer::sum);
}
}
}
// 获取所有餐厅进行匹配
List<Restaurant> allRestaurants = restaurantMapper.selectList(
new LambdaQueryWrapper<Restaurant>().eq(Restaurant::getStatus, 1)
);
for (Restaurant restaurant : allRestaurants) {
double score = 0.0;
// 菜系匹配度
Integer categoryCount = categoryPreference.getOrDefault(restaurant.getCategory(), 0);
score += categoryCount * 0.6;
// 标签匹配度
if (restaurant.getTags() != null) {
String[] tags = restaurant.getTags().split(",");
for (String tag : tags) {
Integer tagCount = tagPreference.getOrDefault(tag.trim(), 0);
score += tagCount * 0.4;
}
}
if (score > 0) {
scores.put(restaurant.getId(), score);
}
}
return scores;
}
/**
* 热门推荐：基于综合评分和评论数量
*/
private Map<Long, Double> hotRecommendation(String city) {
Map<Long, Double> scores = new HashMap<>();
LambdaQueryWrapper<Restaurant> wrapper = new LambdaQueryWrapper<>();
wrapper.eq(Restaurant::getStatus, 1);
if (city != null && !city.isEmpty()) {
wrapper.eq(Restaurant::getCity, city);
}
wrapper.orderByDesc(Restaurant::getScore, Restaurant::getReviewCount);
wrapper.last("LIMIT 50");
List<Restaurant> hotRestaurants = restaurantMapper.selectList(wrapper);
for (Restaurant restaurant : hotRestaurants) {
double score = restaurant.getScore().doubleValue() * 0.6 +
Math.log(restaurant.getReviewCount() + 1) * 0.4;
scores.put(restaurant.getId(), score);
}
return scores;
}
/**
* 地理位置推荐
*/
private Map<Long, Double> locationBasedRecommendation(Long userId, String city) {
Map<Long, Double> scores = new HashMap<>();
// 获取用户所在城市的餐厅
LambdaQueryWrapper<Restaurant> wrapper = new LambdaQueryWrapper<>();
wrapper.eq(Restaurant::getStatus, 1);
if (city != null && !city.isEmpty()) {
wrapper.eq(Restaurant::getCity, city);
}
wrapper.orderByDesc(Restaurant::getScore);
wrapper.last("LIMIT 30");
List<Restaurant> nearby = restaurantMapper.selectList(wrapper);
for (Restaurant restaurant : nearby) {
// 基于评分的简单地理位置推荐
double score = restaurant.getScore().doubleValue() / 5.0;
scores.put(restaurant.getId(), score);
}
return scores;
}
/**
* 保存推荐记录
*/
@Transactional
public void saveRecommendations(Long userId, List<Long> restaurantIds,
Map<Long, Double> scores) {
// 先删除旧的未点击推荐记录
LambdaQueryWrapper<Recommendation> wrapper = new LambdaQueryWrapper<>();
wrapper.eq(Recommendation::getUserId, userId)
.eq(Recommendation::getIsClick, 0);
recommendationMapper.delete(wrapper);
// 保存新的推荐记录
for (Long restaurantId : restaurantIds) {
Recommendation recommendation = new Recommendation();
recommendation.setUserId(userId);
recommendation.setRestaurantId(restaurantId);
recommendation.setRecommendType(1); // 混合推荐
recommendation.setScore(BigDecimal.valueOf(scores.getOrDefault(restaurantId, 0.0))
.setScale(4, RoundingMode.HALF_UP));
recommendation.setIsClick(0);
recommendation.setCreateTime(LocalDateTime.now());
recommendationMapper.insert(recommendation);
}
}
/**
* 记录用户点击推荐
*/
@Transactional
public void recordClick(Long recommendationId) {
recommendationMapper.markAsClicked(recommendationId);
}
/**
* 获取餐厅详情（包含推荐菜品）
*/
private List<RestaurantVO> getRestaurantDetails(List<Long> restaurantIds) {
if (restaurantIds.isEmpty()) {
return new ArrayList<>();
}
List<Restaurant> restaurants = restaurantMapper.selectBatchIds(restaurantIds);
return restaurants.stream()
.map(this::convertToVO)
.sorted((a, b) -> b.getScore().compareTo(a.getScore()))
.collect(Collectors.toList());
}
private RestaurantVO convertToVO(Restaurant restaurant) {
RestaurantVO vo = new RestaurantVO();
vo.setId(restaurant.getId());
vo.setName(restaurant.getName());
vo.setCategory(restaurant.getCategory());
vo.setPriceLevel(restaurant.getPriceLevel());
vo.setAvgPrice(restaurant.getAvgPrice());
vo.setAddress(restaurant.getAddress());
vo.setCity(restaurant.getCity());
vo.setPhone(restaurant.getPhone());
vo.setBusinessHours(restaurant.getBusinessHours());
vo.setDescription(restaurant.getDescription());
vo.setImageUrl(restaurant.getImageUrl());
vo.setTags(restaurant.getTags());
vo.setScore(restaurant.getScore());
vo.setReviewCount(restaurant.getReviewCount());
// 设置价格等级描述
String[] levels = {"", "平价", "中等", "中高档", "高档"};
vo.setPriceLevelDesc(levels[restaurant.getPriceLevel()]);
return vo;
}
}五、系统实现
更多推荐
4
0- 0
已为社区贡献8条内容
所有评论(0)