1. 项目背景与核心价值在移动互联网时代博物馆数字化转型已成为文化传播的重要途径。作为国内最具代表性的文化IP之一故宫博物院每年接待游客超过1900万人次其文创产品年销售额突破15亿元。但传统电商模式存在两个痛点一是游客面对海量文创商品时选择困难二是静态的商品展示难以满足用户的个性化需求。这个毕业设计项目正是针对这些痛点构建了一个基于微信小程序的个性化推荐系统。微信小程序作为载体具有天然优势无需下载安装、即用即走用户接受度高支持微信支付闭环转化路径短开放能力丰富可无缝对接微信社交关系链。系统技术栈的选择体现了现代Web开发的典型组合前端微信小程序原生框架WXMLWXSSJS后端SpringBoot 2.7RESTful API数据层MySQL 8.0结构化数据 Redis 6.2缓存与实时推荐算法层协同过滤用户行为分析内容特征匹配商品标签提示实际开发中推荐使用SpringBoot 2.7.18版本这是目前最稳定的LTS版本与微信小程序API兼容性最佳。2. 系统架构设计2.1 整体技术架构系统采用经典的三层架构但针对推荐场景做了特殊优化[微信小程序] ←HTTPS→ [SpringBoot API层] ↑ [Redis缓存层] ↑ [MySQL持久层]关键设计要点流量控制通过Redis实现分布式限流令牌桶算法防止推荐接口被刷缓存策略采用多级缓存架构一级缓存本地内存Caffeine二级缓存Redis集群推荐解耦将推荐计算与业务逻辑分离通过消息队列RabbitMQ异步处理2.2 数据库设计核心表结构设计示例简化版CREATE TABLE user_behavior ( id bigint NOT NULL AUTO_INCREMENT, openid varchar(32) NOT NULL COMMENT 微信用户唯一标识, item_id varchar(20) NOT NULL COMMENT 文创商品ID, behavior_type tinyint NOT NULL COMMENT 1-浏览 2-收藏 3-购买, behavior_time datetime NOT NULL, PRIMARY KEY (id), KEY idx_openid (openid), KEY idx_item (item_id) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4; CREATE TABLE item_features ( item_id varchar(20) NOT NULL, category_id int NOT NULL COMMENT 文物类别, price_level tinyint COMMENT 价格区间1-5, color_tags json COMMENT 色彩标签数组, style_tags json COMMENT 风格标签数组, PRIMARY KEY (item_id) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;注意实际项目中建议对JSON类型字段建立虚拟列索引提高查询效率。3. 推荐算法实现3.1 混合推荐策略系统采用协同过滤内容特征的混合模式冷启动阶段基于用户注册信息年龄、性别等匹配内容特征采用热度榜补全Redis ZSET实现行为积累后实时行为使用Redis HyperLogLog统计item曝光量长期偏好MySQL定时任务计算用户兴趣向量组合公式Score 0.6CF 0.3Content 0.1*Hot3.2 核心代码片段SpringBoot服务端推荐逻辑示例RestController RequestMapping(/recommend) public class RecommendController { Autowired private RedisTemplateString, String redisTemplate; GetMapping(/personal) public Result personalRecommend( RequestHeader(X-WX-OPENID) String openid, RequestParam(defaultValue 10) int size) { // 1. 读取实时行为 String recentKey recent: openid; ListString recentItems redisTemplate.opsForList() .range(recentKey, 0, 19); // 2. 获取协同过滤推荐 ListString cfItems cfService.getRecommendations(openid); // 3. 内容特征匹配 ListString contentItems contentService.matchByProfile(openid); // 4. 混合排序 ListItemDTO finalList hybridSort(recentItems, cfItems, contentItems); return Result.success(finalList.stream().limit(size).collect(Collectors.toList())); } }微信小程序端调用示例wx.request({ url: https://yourdomain.com/recommend/personal, header: { X-WX-OPENID: getApp().globalData.openid }, success(res) { this.setData({ recommendList: res.data }) } })4. 关键问题解决方案4.1 性能优化实践推荐结果缓存使用Redis Pipeline批量获取多个推荐源设置动态TTL热门用户1分钟低频用户10分钟MySQL查询优化EXPLAIN SELECT /* INDEX(ub idx_openid) */ item_id, COUNT(*) as cnt FROM user_behavior ub WHERE openid ? AND behavior_time DATE_SUB(NOW(), INTERVAL 30 DAY) GROUP BY item_id ORDER BY cnt DESC LIMIT 50;小程序端优化使用scroll-view实现分页加载图片懒加载lazy-load{{true}}推荐结果预加载在onReachBottom时提前请求下一页4.2 典型问题排查问题现象推荐结果重复率高排查过程检查Redis内存占用发现recent:*键未设置过期时间分析用户行为日志发现新用户引导流程缺失验证算法权重参数CF权重过高解决方案添加行为数据过期策略redisTemplate.expire(recentKey, 7, TimeUnit.DAYS);完善冷启动流程增加问卷调查页面实现基于社交关系的推荐微信好友喜欢动态调整算法权重float cfWeight userService.isNewUser(openid) ? 0.3f : 0.6f;5. 项目部署与测试5.1 微信小程序配置要点域名备案必须配置HTTPS域名在「微信公众平台」→「开发」→「开发设置」添加request合法域名支付集成wx.requestPayment({ timeStamp: , nonceStr: , package: , signType: MD5, paySign: , success(res) { /*...*/ }, fail(err) { console.error(支付失败:, err) // 特别处理iOS权限问题 if (err.errMsg.includes(access denied)) { this.showAuthModal() } } })5.2 压力测试方案使用JMeter模拟并发请求构造测试用户池1000个openid配置阶梯式压力测试第一阶段50并发持续5分钟第二阶段100并发持续10分钟监控关键指标API响应时间P99 500msMySQL QPS主库800Redis内存占用70%测试结果优化对比优化前优化后提升幅度1200ms350ms70.8%78% CPU45% CPU42.3%6. 毕设文档撰写建议6.1 技术文档结构建议包含以下核心章节系统可行性分析SWOT矩阵UML设计图用例图区分游客/注册用户类图重点展示推荐算法类序列图推荐流程交互性能测试报告含对比实验6.2 答辩常见问题准备以下问题的深度解答如何解决新用户的冷启动问题示例答案我们实现了三级降级策略①社交关系推荐 ②问卷调查画像 ③全局热度榜推荐算法的可解释性如何体现示例方案在小程序商品详情页添加推荐理由标签如因为你喜欢书画类商品系统如何应对流量峰值关键技术点①Redis集群读写分离 ②SpringCloud限流配置 ③小程序端结果缓存实际开发中发现微信小程序在iOS平台支付时容易遇到requestPayment:fail access denied错误这通常是由于以下原因之一小程序未发布但使用真实支付需配置白名单商户号未绑定APPID需登录微信支付平台确认iOS端微信版本兼容问题建议提示用户升级在测试阶段可以通过以下方式模拟支付// 开发环境模拟支付 if (process.env.NODE_ENV development) { setTimeout(() { this.paymentSuccess() }, 1000) return }对于推荐系统的效果评估建议采用线上A/B测试将用户随机分为对照组原算法和实验组新算法核心指标对比点击通过率CTR转化率CVR平均浏览深度使用T检验验证统计显著性MySQL存储过程在处理用户行为分析时非常高效例如计算用户兴趣向量的存储过程DELIMITER // CREATE PROCEDURE calc_user_vector(IN uid VARCHAR(32)) BEGIN -- 计算30天内行为权重 SELECT i.category_id, SUM( CASE WHEN ub.behavior_type 1 THEN 1 WHEN ub.behavior_type 2 THEN 3 WHEN ub.behavior_type 3 THEN 5 END ) AS weight FROM user_behavior ub JOIN items i ON ub.item_id i.item_id WHERE ub.openid uid AND ub.behavior_time DATE_SUB(NOW(), INTERVAL 30 DAY) GROUP BY i.category_id ORDER BY weight DESC LIMIT 5; END // DELIMITER ;小程序端实现防抖加载的推荐列表let timer null Page({ data: { loading: false, list: [] }, onReachBottom() { if (this.data.loading) return clearTimeout(timer) timer setTimeout(() { this.loadMore() }, 300) }, loadMore() { this.setData({ loading: true }) api.getRecommend().then(res { this.setData({ list: [...this.data.list, ...res.data], loading: false }) }) } })