SpringBoot+AI大模型：影视评论舆情数据可视化平台搭建指南-平芜编程栈

又到了一年一度的毕业设计选题季，很多同学都在纠结怎么把AI大模型和SpringBoot结合起来，既要有技术含量，又要能落地实现。影视评论舆情分析一直是计算机毕业设计的热门方向，但大多数传统方案只是简单的爬虫加词云，缺少智能分析和可视化深度。本文将从零到一搭建一套基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台，涵盖数据采集、大模型情感分析、可视化大屏、前后端分离部署全流程，提供完整源码思路和核心代码示例，适合计算机专业毕业设计、课程设计和AI应用开发学习。

这套平台的核心价值在于：使用AI大模型替代传统词典库做评论情感分类和关键词抽取，准确率和泛化能力都更好；结合ECharts实现舆情大屏，让分析结果直观可读；后端采用SpringBoot统一提供接口，结构清晰，答辩时也容易讲出工程化思维。

1. 项目背景与核心概念

1.1 什么是影视评论舆情分析

影视评论舆情分析，通俗地说，就是从电影、电视剧的观众评论中提取有价值的信息，比如大家对这部电影的总体评价是正面还是负面、观众最关注的点是演员演技、剧情还是特效、评价热度在什么时间段达到峰值。这些信息对制片方、宣发团队和视频平台都有很强的参考价值。

传统做法往往是人工阅读评论，或者用简单的情感词典匹配。人工方式效率太低，词典方式对“演技炸裂”“剧情太拖了”这类网络化表达识别不准。AI大模型的出现改变了这个局面。

1.2 AI大模型在项目中的定位

本项目中，AI大模型承担两个核心任务：

情感分析：判断一条评论属于正向、中性还是负向。
关键词抽取：从评论中提取观众关注的维度，如剧情、演技、特效、音乐、剪辑等。

使用大模型的优势在于不需要维护庞大的情感词典，不需要人工标注训练数据，通过提示词工程就能完成分析任务，而且对中文口语化表达的理解能力远强于传统方案。

1.3 数据可视化分析平台的整体价值

数据可视化在这个项目中不只是“画图表”，它帮助用户从整体上把握舆情分布。

例如电影《流浪地球2》上映期间，舆情分析平台可以看到以下信息：

评论数量随时间的变化趋势；
情感倾向的占比；
不同维度的关键词热度排名；
热门评论的内容分布。

这些图表组合起来，就是一套完整的影视舆情驾驶舱。SpringBoot后端负责提供数据接口，前端通过ECharts渲染图表，AI大模型服务负责智能分析，三层结构清晰，非常符合毕业设计评分标准中“系统完整、技术新颖、实现合理”的要求。

2. 系统架构与技术选型

2.1 总体架构设计

本系统的架构采用前后端分离模式，整体分为五层：

[数据采集层] -> [数据存储层] -> [AI分析层] -> [后端服务层] -> [前端展示层] 爬虫 MySQL/Redis 大模型API SpringBoot Vue+ECharts

从用户视角出发，系统工作流程如下：

管理员在后台触发采集任务；
爬虫模块从目标网站获取影视评论原始数据；
原始数据存入MySQL数据库；
AI分析模块定时扫描未分析的评论，调用大模型接口完成情感分类和关键词抽取；
SpringBoot后端通过RESTful接口将分析结果暴露给前端；
前端大屏使用ECharts渲染舆情仪表盘。

2.2 技术栈说明

后端核心框架：

组件	选型	说明
开发语言	Java 8+	稳定兼容，适配学校机房环境
后端框架	SpringBoot 2.x/3.x	按实际环境选择，建议2.7.x
持久层	MyBatis-Plus	减少SQL编写量，内置分页
数据库	MySQL 5.7+	存储评论与任务数据
AI能力	大模型API或本地部署	可选通义千问、文心一言等
可视化	ECharts 5.x	图表渲染
前端框架	Vue 2.x/3.x	配合ECharts搭建管理后台

需要说明，SpringBoot版本选择非常关键。如果你的JDK是1.8，建议使用SpringBoot 2.7.x，不要直接上SpringBoot 3.x，因为3.x要求JDK17+。如果你的机器已经装了JDK17，那么选择SpringBoot 3.x也可以。版本太高并不一定适合毕业设计场景，稳定能跑才是第一优先级。

2.3 为什么选择SpringBoot

SpringBoot在这类毕业设计项目中有三个明显优势：

自动装配：大量配置开箱即用，比如引入spring-boot-starter-web就自动完成内嵌Tomcat配置，不用像传统Spring那样写一堆XML；
生态成熟：MyBatis-Plus、Redis、JWT、Swagger都有成熟的starter依赖；
答辩友好：面试官或答辩老师询问项目时，SpringBoot的自动配置、依赖管理原理本身就属于高频考点，你实际使用过自然更有话说。

2.4 AI大模型的接入方式

本项目对接大模型有两种方式可供选择，建议根据预算和技术难度权衡：

接入方式	优点	缺点	适合场景
云端API调用	接入简单，效果稳定	需要申请API Key，可能有费用	演示、快速开发
本地部署开源模型	无外部依赖，隐私性好	对显卡有要求，配置复杂	高水平毕设、离线展示

在实际答辩演示时，如果现场网络不稳定，云端API容易翻车。建议代码中预留一个本地规则引擎降级方案，当大模型接口不可用时自动切回词典法分析，保证演示不会中断。

3. 环境准备与项目结构

3.1 开发环境要求

这里列出比较稳妥的环境组合，如果你本机环境不同，版本需要根据实际调整，重点是配置思路。

操作系统：Windows 10/11 或 macOS JDK版本：JDK 1.8 或 JDK 17 Maven版本：3.6.3+ IDE工具：IntelliJ IDEA Community/Ultimate 数据库：MySQL 5.7+ Redis（可选）：3.2+ Node.js（前端用）：14+

3.2 创建SpringBoot项目

如果你是新手，推荐直接在IDEA的Spring Initializr中创建工程。关键依赖选择如下：

<!-- 文件路径：pom.xml --> <dependencies> <!-- Web依赖 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- MyBatis-Plus --> <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>3.5.3.1</version> </dependency> <!-- MySQL驱动 --> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>8.0.33</version> </dependency> <!-- Lombok --> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> <!-- HTTP客户端，用于调用AI大模型 --> <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.14</version> </dependency> </dependencies>

这里需要注意依赖版本一致性。最常遇到的坑是mybatis-plus和springboot版本不兼容，建议优先使用SpringBoot 2.7.x搭配MyBatis-Plus 3.5.x，这是目前社区验证最多的组合。

3.3 项目包结构

一个好的包结构能让答辩时讲解代码更加清晰。推荐如下目录划分：

src/main/java/com/example/moviecomment/ ├── config/ // 配置类，如跨域、MyBatis-Plus分页 ├── controller/ // 控制层，接收前端请求 ├── service/ // 业务层，处理核心逻辑 ├── mapper/ // MyBatis-Plus接口层 ├── entity/ // 实体类 ├── dto/ // 数据传输对象 ├── utils/ // 工具类 └── job/ // 定时任务

前端项目建议单独用Vue CLI创建，目录结构与后端分离管理，便于打包和部署。如果对前端不熟，也可以直接使用SpringBoot的static目录存放静态页面，但这样前后端分离的加分项就体现不出来了。

4. 数据库设计

4.1 核心表结构

本系统的数据库表不宜太多，建议控制在5张左右，既满足功能需要，又不至于工作量过重。核心表设计如下。

评论表t_comment：

CREATE TABLE t_comment ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键ID', movie_name VARCHAR(255) NOT NULL COMMENT '影视名称', comment_content TEXT NOT NULL COMMENT '评论原文', comment_time DATETIME DEFAULT NULL COMMENT '评论时间', sentiment VARCHAR(20) DEFAULT 'unknown' COMMENT '情感分类: positive/neutral/negative', sentiment_score DOUBLE DEFAULT 0 COMMENT '情感得分', keywords VARCHAR(500) DEFAULT '' COMMENT '抽取的关键词,逗号分隔', analyze_status TINYINT DEFAULT 0 COMMENT '分析状态: 0未分析, 1已分析, 2失败', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='影视评论表';

分析任务表t_analyze_task：

CREATE TABLE t_analyze_task ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键ID', movie_name VARCHAR(255) NOT NULL COMMENT '影视名称', total_count INT DEFAULT 0 COMMENT '待分析数量', success_count INT DEFAULT 0 COMMENT '成功数量', fail_count INT DEFAULT 0 COMMENT '失败数量', status TINYINT DEFAULT 0 COMMENT '任务状态: 0待执行, 1执行中, 2完成', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='分析任务表';

统计视图不做物理表，直接通过SQL聚合查询或者在后端用Java代码聚合，减少维护成本。

4.2 索引设计注意事项

评论表的设计中有两个高频查询场景需要建索引：

按影视名称查询评论列表；
按分析状态查询待处理数据。

因此建议在movie_name和analyze_status上建立联合索引。

ALTER TABLE t_comment ADD INDEX idx_movie_status (movie_name, analyze_status);

需要特别注意的是comment_content字段使用TEXT类型，不能直接建普通索引，但在实际查询中一般也不需要对内容做模糊查询，因为搜索功能的实现可以交给ES或者大模型接口，这里不做复杂处理。

5. 后端核心模块实现

5.1 配置application.yml

配置文件是SpringBoot项目的关键，下面给出核心配置项。

# 文件路径：src/main/resources/application.yml server: port: 8080 spring: datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/movie_comment?useUnicode=true&characterEncoding=utf8&useSSL=false&serverTimezone=Asia/Shanghai username: root password: yourpassword jackson: date-format: yyyy-MM-dd HH:mm:ss time-zone: GMT+8 mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: id-type: auto # 自定义AI模型配置 ai: model: api-url: https://your-llm-api.example.com/v1/chat/completions api-key: your-api-key model-name: qwen-plus

注意，ai.model这个配置是自定义的，你需要根据自己的大模型服务来调整。使用@ConfigurationProperties可以将配置绑定到Java对象。

5.2 实体类编写

// 文件路径：src/main/java/com/example/moviecomment/entity/Comment.java package com.example.moviecomment.entity; import com.baomidou.mybatisplus.annotation.IdType; import com.baomidou.mybatisplus.annotation.TableId; import com.baomidou.mybatisplus.annotation.TableName; import lombok.Data; import java.time.LocalDateTime; @Data @TableName("t_comment") public class Comment { @TableId(type = IdType.AUTO) private Long id; private String movieName; private String commentContent; private LocalDateTime commentTime; private String sentiment; private Double sentimentScore; private String keywords; private Integer analyzeStatus; private LocalDateTime createTime; }

注意@TableName注解将实体与数据库表对应起来，Lombok的@Data自动生成getter/setter方法，省去大量样板代码。

5.3 控制层接口实现

控制层负责暴露RESTful接口，下面给出评论分析结果统计接口的示例。

// 文件路径：src/main/java/com/example/moviecomment/controller/AnalysisController.java package com.example.moviecomment.controller; import com.example.moviecomment.common.Result; import com.example.moviecomment.service.AnalysisService; import org.springframework.web.bind.annotation.*; import javax.annotation.Resource; import java.util.Map; @RestController @RequestMapping("/api/analysis") public class AnalysisController { @Resource private AnalysisService analysisService; /** * 获取评论统计概览 */ @GetMapping("/overview") public Result<Map<String, Object>> getOverview(@RequestParam String movieName) { return Result.success(analysisService.getOverview(movieName)); } /** * 获取情感趋势数据 */ @GetMapping("/trend") public Result<Map<String, Object>> getTrend(@RequestParam String movieName) { return Result.success(analysisService.getTrend(movieName)); } }

控制层保持轻量，逻辑尽量封装在Service层，这不仅是SpringBoot的推荐做法，也是答辩时容易被提问的点——“你的控制器为什么这么薄”。

5.4 定时任务实现

定时任务负责自动扫描并分析未处理的评论。使用SpringBoot自带的@Scheduled注解即可。

// 文件路径：src/main/java/com/example/moviecomment/job/CommentAnalyzeJob.java package com.example.moviecomment.job; import com.example.moviecomment.service.AnalysisService; import lombok.extern.slf4j.Slf4j; import org.springframework.scheduling.annotation.Scheduled; import org.springframework.stereotype.Component; import javax.annotation.Resource; @Slf4j @Component public class CommentAnalyzeJob { @Resource private AnalysisService analysisService; /** * 每5分钟执行一次分析任务 */ @Scheduled(fixedDelay = 300000) public void analyzePendingComments() { log.info("开始扫描待分析的评论数据"); analysisService.analyzePending(); } }

在启动类上需要添加@EnableScheduling注解开启定时任务功能。

// 文件路径：src/main/java/com/example/moviecomment/MovieCommentApplication.java package com.example.moviecomment; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.scheduling.annotation.EnableScheduling; @EnableScheduling @SpringBootApplication public class MovieCommentApplication { public static void main(String[] args) { SpringApplication.run(MovieCommentApplication.class, args); } }

关于定时任务，有一个容易被忽略的细节：fixedDelay和cron的区别。fixedDelay表示上一次任务执行完成后间隔多少毫秒再执行下一次，cron则按照固定的时间表达式执行。如果评论量不大，使用fixedDelay更安全，可以避免上一次任务还没执行完下一次又启动的问题。

6. AI大模型分析模块实现

6.1 提示词设计

AI大模型的核心技术点在于提示词工程。同样的模型，不同的提示词输出效果差距很大。

下面给出项目中使用的情感分析提示词：

你是一个影视评论舆情分析专家。请对下面这条影视评论进行情感分析。 评论内容：{评论内容} 请严格按照JSON格式输出结果，不要输出其他内容。 { "sentiment": "positive/neutral/negative", "sentiment_score": 0.8, "keywords": ["演技", "剧情"] } 说明： 1. sentiment表示整体情感倾向，positive为正向，neutral为中性，negative为负向。 2. sentiment_score表示情感得分，范围0到1，越接近1表示正向情绪越强。 3. keywords表示评论中提到的关注维度，抽取最多3个。

这个提示词的优点在于：

明确输出格式为JSON，便于程序解析；
定义了枚举值的取值范围；
限制关键词数量为3，避免输出噪音信息。

6.2 大模型调用封装类

// 文件路径：src/main/java/com/example/moviecomment/utils/LlmClient.java package com.example.moviecomment.utils; import com.alibaba.fastjson.JSONObject; import com.example.moviecomment.config.AiModelProperties; import lombok.extern.slf4j.Slf4j; import org.springframework.http.*; import org.springframework.stereotype.Component; import org.springframework.web.client.RestTemplate; import javax.annotation.Resource; import java.util.*; @Slf4j @Component public class LlmClient { @Resource private AiModelProperties aiModelProperties; @Resource private RestTemplate restTemplate; /** * 调用大模型接口 */ public String chat(String prompt) { String url = aiModelProperties.getApiUrl(); String apiKey = aiModelProperties.getApiKey(); HttpHeaders headers = new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); Map<String, Object> message = new HashMap<>(); message.put("role", "user"); message.put("content", prompt); Map<String, Object> body = new HashMap<>(); body.put("model", aiModelProperties.getModelName()); body.put("messages", Collections.singletonList(message)); body.put("temperature", 0.2); HttpEntity<Map<String, Object>> request = new HttpEntity<>(body, headers); ResponseEntity<String> response = restTemplate.postForEntity(url, request, String.class); return response.getBody(); } /** * 解析大模型返回结果 */ public LLMResult parseResult(String responseBody) { JSONObject json = JSONObject.parseObject(responseBody); String content = json.getJSONArray("choices") .getJSONObject(0) .getJSONObject("message") .getString("content"); JSONObject result = JSONObject.parseObject(content); LLMResult llmResult = new LLMResult(); llmResult.setSentiment(result.getString("sentiment")); llmResult.setScore(result.getDouble("sentiment_score")); List<String> keywords = result.getJSONArray("keywords").toJavaList(String.class); llmResult.setKeywords(keywords); return llmResult; } }

这里使用了RestTemplate调用HTTP接口，temperature参数设置为0.2，目的是让模型输出更加确定，减少随机性。在毕业设计答辩中，你可以解释这个参数的实际意义——温度越低，输出越保守稳定，适合舆情分类场景。

6.3 降级方案设计

由于大模型API可能存在超时、限流、余额不足等问题，建议实现一个简单的降级策略。

当大模型调用失败时，系统自动使用基于词典的简单情感分析作为兜底方案。

// 文件路径：src/main/java/com/example/moviecomment/service/impl/SentimentFallback.java package com.example.moviecomment.service.impl; import com.example.moviecomment.dto.LLMResult; import org.springframework.stereotype.Component; import java.util.Arrays; import java.util.List; @Component public class SentimentFallback { private static final List<String> POSITIVE_WORDS = Arrays.asList("好看", "精彩", "演技好", "震撼", "推荐"); private static final List<String> NEGATIVE_WORDS = Arrays.asList("难看", "烂", "失望", "无聊", "差评"); public LLMResult analyzeByDict(String content) { int positiveCount = countHits(content, POSITIVE_WORDS); int negativeCount = countHits(content, NEGATIVE_WORDS); LLMResult result = new LLMResult(); if (positiveCount > negativeCount) { result.setSentiment("positive"); result.setScore(0.6 + 0.1 * positiveCount); } else if (negativeCount > positiveCount) { result.setSentiment("negative"); result.setScore(0.3 - 0.1 * negativeCount); } else { result.setSentiment("neutral"); result.setScore(0.5); } result.setKeywords(Arrays.asList("剧情", "演员")); return result; } private int countHits(String content, List<String> words) { int count = 0; for (String word : words) { if (content.contains(word)) { count++; } } return count; } }

降级方案虽然准确率不如大模型，但保证了系统基本可用。在答辩演示时，你可以主动提到这一点，说明自己考虑了系统的健壮性，这也是加分项。

7. 数据可视化实现

7.1 后端统计接口设计

数据可视化需要后端提供聚合统计接口。下面给出情感分布统计和评论趋势统计的核心代码。

// 文件路径：src/main/java/com/example/moviecomment/service/impl/AnalysisServiceImpl.java package com.example.moviecomment.service.impl; import com.baomidou.mybatisplus.core.conditions.query.QueryWrapper; import com.example.moviecomment.entity.Comment; import com.example.moviecomment.mapper.CommentMapper; import com.example.moviecomment.service.AnalysisService; import org.springframework.stereotype.Service; import javax.annotation.Resource; import java.util.HashMap; import java.util.List; import java.util.Map; @Service public class AnalysisServiceImpl implements AnalysisService { @Resource private CommentMapper commentMapper; @Override public Map<String, Object> getOverview(String movieName) { QueryWrapper<Comment> wrapper = new QueryWrapper<>(); wrapper.eq("movie_name", movieName); List<Comment> comments = commentMapper.selectList(wrapper); int total = comments.size(); Map<String, Object> result = new HashMap<>(); result.put("total", total); long positive = comments.stream().filter(c -> "positive".equals(c.getSentiment())).count(); long neutral = comments.stream().filter(c -> "neutral".equals(c.getSentiment())).count(); long negative = comments.stream().filter(c -> "negative".equals(c.getSentiment())).count(); result.put("positive", positive); result.put("neutral", neutral); result.put("negative", negative); result.put("positiveRate", total == 0 ? 0 : Math.round(positive * 100.0 / total)); return result; } @Override public Map<String, Object> getTrend(String movieName) { // 按日期统计评论数量和正负面数量 List<Map<String, Object>> trendData = commentMapper.selectTrend(movieName); Map<String, Object> result = new HashMap<>(); result.put("trend", trendData); return result; } }

需要特别注意的是，这里用了comments.stream().filter()做内存统计，适合数据量不大的毕业设计场景。如果评论数据达到百万级别，就需要改用SQL的GROUP BY聚合查询，否则内存溢出风险很大。在答辩时，你可以主动区分这两种方式的适用场景，展示你的工程思维。

7.2 MyBatis-Plus分页配置

如果评论列表需要分页展示，需要配置MyBatis-Plus的分页插件。

// 文件路径：src/main/java/com/example/moviecomment/config/MybatisPlusConfig.java package com.example.moviecomment.config; import com.baomidou.mybatisplus.annotation.DbType; import com.baomidou.mybatisplus.extension.plugins.MybatisPlusInterceptor; import com.baomidou.mybatisplus.extension.plugins.inner.PaginationInnerInterceptor; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; @Configuration public class MybatisPlusConfig { @Bean public MybatisPlusInterceptor mybatisPlusInterceptor() { MybatisPlusInterceptor interceptor = new MybatisPlusInterceptor(); PaginationInnerInterceptor paginationInterceptor = new PaginationInnerInterceptor(DbType.MYSQL); paginationInterceptor.setMaxLimit(500L); interceptor.addInnerInterceptor(paginationInterceptor); return interceptor; } }

分页插件配置了最大每页查询数量500条，这样可以避免前端某个恶意请求一次性查出全表数据，造成接口压力过大。

7.3 跨域配置

前后端分离模式下，前端通常运行在http://localhost:5173（Vite默认）或http://localhost:8081，后端运行在http://localhost:8080，浏览器会阻止跨域请求。因此需要配置跨域规则。

// 文件路径：src/main/java/com/example/moviecomment/config/CorsConfig.java package com.example.moviecomment.config; import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; @Configuration public class CorsConfig implements WebMvcConfigurer { @Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping("/**") .allowedOriginPatterns("*") .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS") .allowedHeaders("*") .allowCredentials(true) .maxAge(3600); } }

这里使用allowedOriginPatterns而不是allowedOrigins，是因为在SpringBoot 2.4+版本中，当allowCredentials(true)时，allowedOrigins("*")会受到限制。这是一个非常经典的版本兼容坑，很多同学在部署时遇到“跨域配置了但请求还是失败”就是因为这个原因。

7.4 前端ECharts可视化

前端核心是Vue组件加ECharts图表。下面给出情感分布饼图的示例。

<!-- 文件路径：frontend/src/components/SentimentPie.vue --> <template> <div ref="chartRef" style="width: 100%; height: 400px;"></div> </template> <script> import * as echarts from 'echarts'; export default { name: 'SentimentPie', data() { return { chart: null, }; }, mounted() { this.chart = echarts.init(this.$refs.chartRef); this.loadData(); }, methods: { async loadData() { const response = await fetch('/api/analysis/overview?movieName=流浪地球2'); const data = await response.json(); this.renderChart(data.data); }, renderChart(data) { const option = { title: { text: '情感倾向分布', left: 'center', }, tooltip: { trigger: 'item', }, legend: { orient: 'vertical', left: 'left', }, series: [ { name: '情感分布', type: 'pie', radius: '60%', data: [ { value: data.positive, name: '正向' }, { value: data.neutral, name: '中性' }, { value: data.negative, name: '负向' }, ], emphasis: { itemStyle: { shadowBlur: 10, shadowOffsetX: 0, shadowColor: 'rgba(0, 0, 0, 0.5)', }, }, }, ], }; this.chart.setOption(option); }, }, beforeDestroy() { if (this.chart) { this.chart.dispose(); } }, }; </script>

ECharts组件的关键在于mounted生命周期中初始化图表，并在beforeDestroy中释放实例，避免页面切换导致的内存泄漏。另外，window.addEventListener('resize', this.chart.resize)也是常见优化点，可以让图表在浏览器窗口大小变化时自适应。

8. 运行时序流程

为了让答辩时讲解更清晰，这里给出系统的核心运行时序流程。

1. 管理员通过前端页面提交“开启分析”请求 2. SpringBoot Controller接收请求，创建分析任务记录 3. 定时任务检测到待分析评论，逐条调用AI大模型接口 4. 大模型返回情感分类结果，SpringBoot解析结果并更新数据库 5. 前端大屏每隔10秒轮询后端最新统计结果 6. ECharts根据接口返回数据重新渲染图表

这个流程中有一个值得关注的工程问题：AI大模型接口调用是同步阻塞的，如果评论数量很大，逐条同步调用会非常慢。优化方案是引入线程池异步调用，或者用消息队列排队处理。毕业设计阶段建议多线程加线程池即可，不需要引入复杂的消息队列。

9. 常见问题与排查思路

在开发和运行过程中，以下问题是同学们最常遇到的，这里给出排查思路。

问题现象	常见原因	解决思路
SpringBoot启动失败	JDK版本与SpringBoot版本不匹配	检查JDK版本，切换SpringBoot版本
数据库连接失败	MySQL字符集或时区配置错误	在URL中加上characterEncoding=utf8和serverTimezone=Asia/Shanghai
大模型接口超时	网络不通或API Key无效	先curl测试接口，再检查Key是否有效
返回的JSON中内容为空	模型返回格式与解析逻辑不一致	打开日志，打印原始响应，调整解析代码
前端请求502	后端端口未开放或接口路径错误	浏览器F12查看请求地址，确认后端端口
定时任务不执行	启动类缺少@EnableScheduling	检查启动类注解
中文乱码	数据库连接未指定utf8	修改URL增加useUnicode=true&characterEncoding=UTF-8

其中关于大模型返回内容解析失败是最常见的。因为不同模型的返回结构有所不同，有的模型除了choices字段还带有content_filter_results等字段，有的模型content字段是列表而不是字符串。建议先在Postman中真实调用一次接口，把返回报文完整打印出来，再写解析代码。不要凭想象写解析逻辑。

10. 最佳实践与答辩建议

10.1 安全边界与合规提醒

在毕业设计中，很多同学会选择爬取豆瓣、知乎等平台的评论数据。这里必须强调：

爬虫要遵守目标网站的robots.txt协议；
控制请求频率，避免对目标服务器造成压力；
只采集公开数据，不使用账号篡改、恶意破解等非法手段；
涉及用户个人信息的评论要做好脱敏，展示时隐藏用户名和头像。

如果论文中涉及数据采集，建议在“合规性分析”章节中明确说明数据来源的合法性和采集频率的控制策略，这也是近年来论文盲审和答辩比较关注的方面。

10.2 大模型API Key安全管理

不要把API Key直接写在代码中提交到Git仓库。推荐做法是：

将API Key配置在application-local.yml中；
本地启动时通过--spring.profiles.active=local指定；
.gitignore中排除配置文件。

如果代码需要交到学校服务器演示，可以使用环境变量注入。

ai: model: api-key: ${AI_API_KEY}

这样即使代码被别人看到，也不会泄露密钥。

10.3 性能优化建议

对于毕业设计项目，性能不是最核心的指标，但基本的优化意识要体现出来：

数据量大的查询使用分页，不要一次性全查出来；
AI大模型调用使用线程池控制并发数；
前端图表获取数据使用轮询间隔至少10秒，避免频繁请求；
热门电影的数据统计结果可以加Redis缓存，减少数据库压力。

10.4 答辩时的高频问题参考

根据经验，答辩老师通常会对以下问题感兴趣：

为什么选择大模型而不是传统情感词典？
大模型分析的平均延迟是多少？如果评论量很大如何优化？
你的项目有哪些创新点？
爬虫接口如果被封了怎么办？
系统的准确率做评估了吗？

针对“准确率评估”这个问题，建议在项目中准备一个200条评论的人工标注测试集，计算出大模型分析准确率。比如准备200条评论，人工标注50条正向、50条中性、100条负向，然后和大模型的分析结果对比，计算准确率。这部分数据可以放入项目报告中，会显得非常严谨。

11. 总结与下一步扩展

本文从项目背景、系统架构、数据库设计、SpringBoot后端实现、AI大模型接入、数据可视化、部署运行到常见问题排查，完整梳理了基于SpringBoot与AI大模型的影视评论舆情数据可视化分析平台的开发流程。核心要点可以概括为：用SpringBoot构建分层后端，用AI大模型做智能情感分析和关键词抽取，用ECharts实现舆情大屏展示，通过合理的降级方案保证系统稳定性。

如果后续想继续提升这个项目的含金量，可以考虑以下方向：

引入Elasticsearch实现评论搜索和聚合分析，应对更大数据量；
接入消息队列实现评论采集与AI分析的异步解耦；
增加热点识别算法，自动发现爆发性舆论事件；
使用WebSocket替代轮询机制，实现舆情数据实时推送。

如果你正在准备毕业设计，建议先快速跑通一条数据链路——采集一批评论、用AI分析、在ECharts中展示，再逐步完善权限管理、任务调度、大屏美化等细节。完成一个能运行、能演示、能讲清原理的项目，比追求功能数量更重要。希望这篇文章能帮你少走弯路，顺利过关。