基于用户的协同过滤购物系统 协同过滤网上购物 协同过滤商城系统 推荐原理：根据用户购买记录计算用户相似度，将相似度高的用户的购买商品进行互相推荐 技术栈：springboot mybatis jsp mysql 用户端浏览网址： http://124.221.225.110:8080/tmall/ 管理员登录页面：http://124.221.225.110:8080/tmall/admin 测试账户 管理员：1209577113/xq

最近在捣鼓一个基于用户协同过滤的购物系统，发现这玩意儿比传统推荐算法有意思多了。咱们直接拿实际项目说话，用SpringBoot+MyBatis实现的核心算法，先看个真实场景：用户A买了篮球和运动袜，用户B买了护腕和篮球，系统就会把护腕推荐给A，运动袜推荐给B。

先看数据库设计，用户行为记录表是关键：

CREATE TABLE user_behavior (
    user_id INT NOT NULL,
    item_id INT NOT NULL,
    behavior_type TINYINT COMMENT '1浏览 2加购 3购买',
    timestamp BIGINT,
    PRIMARY KEY (user_id, item_id)
);

用户相似度计算是核心，这里用改进版余弦相似度。直接上Java实现：

public Map<Integer, Double> calculateUserSimilarity(int targetUserId) {
    List<UserBehavior> allUsers = behaviorMapper.getAllUsersExcept(targetUserId);
    Map<Integer, List<Integer>> userItemMap = new HashMap<>();
    
    // 构建用户-物品矩阵
    allUsers.forEach(user -> {
        List<Integer> purchasedItems = behaviorMapper.getPurchasedItems(user.getUserId());
        userItemMap.put(user.getUserId(), purchasedItems);
    });
    
    // 相似度计算
    Map<Integer, Double> similarityScores = new HashMap<>();
    List<Integer> targetItems = behaviorMapper.getPurchasedItems(targetUserId);
    
    userItemMap.forEach((otherUserId, otherItems) -> {
        Set<Integer> intersection = new HashSet<>(targetItems);
        intersection.retainAll(otherItems);
        double cosine = intersection.size() / 
            Math.sqrt(targetItems.size() * otherItems.size());
        similarityScores.put(otherUserId, cosine);
    });
    
    return similarityScores.entrySet().stream()
        .sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))
        .collect(Collectors.toMap(Map.Entry::getKey, Map.Entry::getValue,
            (oldValue, newValue) -> oldValue, LinkedHashMap::new));
}

这段代码有几个亮点：用HashSet快速求交集，避免双层循环；相似度计算做了向量长度归一化；最后用Java8流做排序，时间复杂度控制在O(n log n)。

基于用户的协同过滤购物系统 协同过滤网上购物 协同过滤商城系统 推荐原理：根据用户购买记录计算用户相似度，将相似度高的用户的购买商品进行互相推荐 技术栈：springboot mybatis jsp mysql 用户端浏览网址： http://124.221.225.110:8080/tmall/ 管理员登录页面：http://124.221.225.110:8080/tmall/admin 测试账户 管理员：1209577113/xq

推荐生成部分要注意实时性，这里用定时任务预计算+实时混合处理：

@Scheduled(cron = "0 0 3 * * ?") // 每天凌晨3点更新
public void precomputeSimilarUsers() {
    userRepository.findAll().forEach(user -> {
        Map<Integer, Double> similarities = calculateUserSimilarity(user.getId());
        redisTemplate.opsForHash().putAll("similarity:"+user.getId(), similarities);
    });
}

前端的推荐展示用JSP实现动态加载：

<c:forEach items="${recommendItems}" var="item">
    <div class="item-card">
        <a href="/item/detail?id=${item.id}">
            <img src="${item.imageUrl}" class="responsive-img">
            <div class="item-title">${item.name}</div>
            <div class="item-price">￥<fmt:formatNumber value="${item.price}" pattern="#,##0.00"/></div>
        </a>
    </div>
</c:forEach>

踩过的坑值得一说：最初用全量计算导致接口超时，后来改成Redis缓存+LRU淘汰策略；MySQL批量查询优化了IN语句的索引命中；JSP页面做了动静分离，商品图片走CDN加速。

系统实测下来，在用户行为数据超过10万条时，推荐响应时间仍能控制在200ms以内。现在可以访问http://124.221.225.110:8080/tmall/ 体验，用测试账号登录后，个人中心里的"猜你喜欢"就是协同过滤的成果。管理员账户能看到实时推荐统计，路径在数据分析->用户行为模型里。