如果只把“推荐”做成一个下拉框搜索加课程列表，那它只能算一个管理系统，不能叫推荐系统。很多毕业设计题目里有“AI推荐”四个字，但答辩时评委打开数据库看一眼，就会发现所谓的推荐其实是一句固定 SQL 排序。这件事恰恰是校园课程推荐系统最容易被忽视的地方：推荐能力不是靠页面堆出来的，而是靠用户行为建模和推荐策略分层撑起来的。
这篇文章就以一个基于 SpringBoot + Thymeleaf + AI 推荐的校园课程推荐系统为例，完整拆解从数据库设计、推荐策略实现到页面渲染的整个过程。读完你可以得到三样东西：一是能直接在毕业设计中落地的最小推荐系统代码；二是理解“协同过滤 + AI 辅助推荐理由”这类混合策略的工程写法；三是知道作为毕设项目，哪些功能点更容易在答辩中讲出深度。
1. 这门毕设真正要解决的问题
1.1 为什么很多课程管理系统“推荐”做得很假
先看一个真实场景：某高校的课程管理系统里有几百门选修课，学生登录后看到的是按上课时间排的课程列表，查询只能靠课程名称模糊搜索。学生找不到感兴趣的课，教务也说不清哪些课受欢迎。最后系统上线了，但使用率很低。
这不是个例。绝大多数课程管理类毕设项目，功能集中在“增删改查”：管理员维护课程、学生选课、老师录成绩。推荐模块要么没有，要么写了一行ORDER BY course_score DESC就当作热门推荐。这种做法在答辩时经不起追问：你的推荐依据是什么？用户的历史行为在哪里？推荐结果为什么对他有意义？
1.2 课程推荐系统真正的技术难点
课程推荐和电商推荐的差异在于：课程是低频、高决策成本、强内容属性的物品。学生一学期可能只选 5 到 10 门课，不能用“买完再来一单”的逻辑去思考。它同时要考虑课程难度、开课院系、相似课程、历史选课学生群体等多个因素。
因此，这套系统的核心设计目标不是追求算法复杂度，而是做到三点：
- 能记录学生在系统中的真实行为（浏览、选课、评分）。
- 能基于已有行为给出可解释的课程候选集。
- 能用 AI 能力生成推荐理由，让学生理解“为什么推荐这门课”。
这里真正值得在毕业设计中展开的，是第二点和第三点的结合。协同过滤负责找相似课程和相似兴趣学生，AI 推荐理由负责解释推荐结果。两者一组合，系统从“能跑”变成“有说服力”。
1.3 什么样的读者适合参考这篇文章
如果你正在准备 Java 方向的毕业设计，技术栈是 SpringBoot + Thymeleaf，想用数据库 + 推荐策略做一个校园课程推荐系统，这篇文章可以直接作为实现蓝本。如果你只是对推荐系统的工程落地感兴趣，重点看数据建模和第 6 章的策略分层方式。如果你已经写完课程管理功能，想让项目在答辩时更有亮点，重点看冷启动处理和 AI 辅助推荐理由的设计思路。
2. 系统总体架构与设计思路
2.1 SpringBoot + Thymeleaf 为什么还适合做毕设
这几年前后端分离很流行，但 Thymeleaf 作为服务端渲染模板引擎，在毕设和企业传统项目中依然常见。它的价值在于：不需要单独部署前端工程，后端返回 ModelAndView 直接渲染 HTML，项目结构简单，部署方便，排查问题链路短。
对于校园课程推荐系统来说，页面交互并不复杂，不需要 Vue + Element UI 那套复杂工程。用 Thymeleaf 可以减少一整套前端依赖，把精力集中在推荐模块本身。这在毕业设计的时间安排上是很现实的选择。
整套系统的分层如下：
- 表现层：Thymeleaf 模板页面，负责课程列表、推荐结果展示、学生操作入口。
- 控制层：Spring MVC Controller，负责接收请求、调用服务、返回视图。
- 业务层：课程管理、选课管理、推荐策略、AI 推荐理由生成。
- 数据层：MyBatis-Plus 操作 MySQL，完成用户、课程、行为记录的持久化。
2.2 推荐模块在业务层中的位置
推荐模块被设计成独立的业务服务，不直接穿透到 Controller。这样做的原因是：推荐策略后期会调整，比如从协同过滤换成内容推荐，或者接入新的大模型服务，只要 Service 接口不变，上层页面不需要跟着改。
推荐流程大致如下：
- 学生访问首页时，Controller 调用推荐服务。
- 推荐服务优先基于当前学生的历史选课记录计算相似课程。
- 如果当前学生没有历史记录，则使用热门课程与随机策略兜底，这就是冷启动处理。
- 对候选课程生成推荐理由，由 AI 服务接口统一输出。
- Controller 将推荐结果封装后交给 Thymeleaf 页面展示。
这样的流程写进论文里，本身就是一套完整的“软件工程设计”论述：策略模式 + 接口隔离 + 冷启动兜底。答辩护身符不只是代码，而是设计思路。
3. 数据库设计与业务建模
3.1 数据建模的核心是“记录行为”
很多毕设把选课功能做成简单的外键表，学生选了哪门课就插入一条记录。这对于管理功能来说足够，但对于推荐系统远远不够。推荐系统需要知道的不只是“选了”，还有“学生对这门课的评价”。
推荐系统里最经典的数据模型是“用户-物品-评分”三元组。放到校园场景中，就是“学生-课程-行为”。行为可以是评分，也可以是浏览、选课、退课等隐式反馈。为了让推荐有数据支撑，这里设计了几张核心表：学生表、课程表、选课评分表和推荐日志表。
3.2 核心表结构与建表 SQL
学生表用于存储学生基础信息；课程表用于存储课程名称、所属院系、任课教师、难度、学分等业务属性；选课评分表是整个推荐系统的关键，记录学生对课程的打分和评价；推荐日志表用于记录每次推荐内容，方便后续分析和复盘。
下面是一套可直接执行的 MySQL 建表脚本：
-- 文件路径：sql/init_schema.sql CREATE DATABASE IF NOT EXISTS course_recommend; USE course_recommend; -- 学生表 CREATE TABLE t_student ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键', student_no VARCHAR(32) NOT NULL UNIQUE COMMENT '学号', student_name VARCHAR(64) NOT NULL COMMENT '姓名', major VARCHAR(64) COMMENT '专业', grade VARCHAR(16) COMMENT '年级', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='学生表'; -- 课程表 CREATE TABLE t_course ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键', course_name VARCHAR(128) NOT NULL COMMENT '课程名称', course_code VARCHAR(32) NOT NULL UNIQUE COMMENT '课程编号', college VARCHAR(64) COMMENT '开课院系', teacher_name VARCHAR(32) COMMENT '任课教师', credit DECIMAL(3,1) DEFAULT 2.0 COMMENT '学分', difficulty TINYINT DEFAULT 3 COMMENT '难度，1-5', course_type VARCHAR(32) COMMENT '课程类别：通识/专业/公选', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='课程表'; -- 选课评分表（推荐系统的核心行为数据） CREATE TABLE t_student_course_score ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键', student_id BIGINT NOT NULL COMMENT '学生ID', course_id BIGINT NOT NULL COMMENT '课程ID', score TINYINT COMMENT '学生评分，1-5，0表示未评分', comment_text VARCHAR(255) COMMENT '学生评价', select_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '选课时间', KEY idx_student (student_id), KEY idx_course (course_id), CONSTRAINT uk_student_course UNIQUE (student_id, course_id) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='学生选课评分表'; -- 推荐日志表 CREATE TABLE t_recommend_log ( id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键', student_id BIGINT NOT NULL COMMENT '学生ID', recommend_strategy VARCHAR(32) COMMENT '推荐策略标识', course_ids VARCHAR(512) COMMENT '推荐课程ID列表，逗号分隔', reason_text VARCHAR(512) COMMENT '推荐理由', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '推荐时间', KEY idx_student_time (student_id, create_time) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='推荐日志表';这张表模型的好处在于：选课记录本身是可扩展的。如果你想记录学生浏览课程的行为，只需要新增一张浏览日志表，推荐策略可以从“选课 + 评分”扩展到“浏览 + 关注”。这个扩展性要在论文和答辩中单独说明。
3.3 测试数据的准备
推荐系统离不开数据验证。建议在开发阶段先准备一部分模拟数据，方便看到推荐效果。比如插入几个学生，让他们对不同的课程打不同分数，再观察推荐结果是否符合直觉。可以写一段简单的 insert 语句，插 3 到 5 个学生和 10 门左右课程，每门课有 2 到 3 条评分记录即可。
4. 环境准备与工程基础配置
4.1 开发环境说明
建议使用 JDK 8 或 JDK 17，Maven 3.6 以上，IDEA 作为开发工具，MySQL 5.7 或 8.0 均可。SpringBoot 版本以你本机稳定可用的版本为准，建议 2.7.x 系列，稳定且资料多。下面代码中的版本号只是示例，实际依赖版本请以项目为准，核心是学会整套实现思路。
如果你的 IDEA 创建 SpringBoot 项目一直超时，通常是网络问题。可以选择阿里云镜像的 Initializr 地址，或者先本地生成项目再导入 IDEA。
4.2 创建 SpringBoot 工程并引入依赖
新建一个 Maven 工程后，在pom.xml中引入 Web、Thymeleaf、MyBatis-Plus 和 MySQL 驱动依赖：
<parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>2.7.18</version> <relativePath/> </parent> <properties> <java.version>1.8</java.version> <mybatis-plus.version>3.5.3.1</mybatis-plus.version> </properties> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-thymeleaf</artifactId> </dependency> <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>${mybatis-plus.version}</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> </dependencies>这里选择 MyBatis-Plus 而不是原生 MyBatis，是因为它内置了BaseMapper通用方法，单表查询基本不用写 XML，毕设开发效率高很多。
4.3 application.yml 中的关键配置
在src/main/resources/application.yml中配置数据源、MyBatis-Plus 和 Thymeleaf：
server: port: 8080 spring: datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/course_recommend?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: yourpassword thymeleaf: cache: false suffix: .html prefix: classpath:/templates/ mybatis-plus: configuration: map-underscore-to-camel-case: true log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: id-type: auto注意几个细节：map-underscore-to-camel-case负责把数据库字段course_name映射成实体类属性courseName；Thymeleaf 开启cache: false是开发阶段改模板免重启；serverTimezone参数能避免数据库连接时的时间报错。如果启动时报数据库驱动类错误，先检查 MySQL 驱动版本是否和本地 MySQL 版本匹配。
5. 实体类、Mapper 与推荐数据准备
5.1 实体类设计
建立Student、Course、StudentCourseScore三个实体类。以课程实体为例：
// 文件路径：src/main/java/com/example/course/entity/Course.java @Data @TableName("t_course") public class Course { @TableId(type = IdType.AUTO) private Long id; private String courseName; private String courseCode; private String college; private String teacherName; private BigDecimal credit; private Integer difficulty; private String courseType; }这里使用 Lombok 的@Data自动生成 getter/setter，@TableName指定数据库表名，@TableId声明主键类型。Student 和 StudentCourseScore 的结构与上述类似，分别对应t_student和t_student_course_score表。注意 StudentCourseScore 里应该还有一个score字段和commentText字段，它是推荐系统的关键输入。
5.2 Mapper 层
Mapper 接口继承 MyBatis-Plus 提供的BaseMapper即可：
// 文件路径：src/main/java/com/example/course/mapper/CourseMapper.java @Mapper public interface CourseMapper extends BaseMapper<Course> { }StudentMapper、StudentCourseScoreMapper 采用同样的写法。不写 XML，不写复杂 SQL，单表操作全部由 MyBatis-Plus 提供。真正复杂的推荐计算不是在 SQL 层完成的，而是在 Service 层用 Java 代码完成，这样推荐逻辑更清晰，也更容易测试。
5.3 推荐服务需要的数据获取方式
推荐服务运行时需要两类数据：
- 当前学生已经选过并打分的课程集合。
- 课程的全量列表，以及所有学生的选课评分记录。
这些都可以直接用selectList加上LambdaQueryWrapper条件查询获得。比如用new LambdaQueryWrapper<StudentCourseScore>().eq(StudentCourseScore::getStudentId, studentId)查某个学生的行为，用selectList(null)查全量课程。数据量不大时内存计算完全够用，这也符合毕设场景。
6. 推荐策略实现：协同过滤 + AI 辅助生成推荐理由
6.1 推荐策略的分层设计
推荐模块在 Service 层建立三个层次：策略接口、核心算法、AI 理由生成。
先定义一个统一的推荐服务接口：
// 文件路径：src/main/java/com/example/course/service/RecommendService.java public interface RecommendService { /** * 为学生推荐课程 * * @param studentId 学生ID * @param limit 推荐数量 * @return 推荐结果列表 */ List<RecommendItem> recommendForStudent(Long studentId, int limit); }RecommendItem包含课程信息、推荐分数和推荐理由：
// 文件路径：src/main/java/com/example/course/service/RecommendItem.java @Data public class RecommendItem { private Course course; private Double score; private String reason; }用接口而不是具体实现，是为了后续可以加入新的推荐算法而不影响上层调用。课程推荐主服务实现这个接口，内部组装策略。
6.2 基于课程相似度的协同过滤实现
协同过滤有很多种，这里选择比较适合毕设讲解的“基于物品的协同过滤”思路，核心是：先找到用户喜欢的物品，再找到与这些物品相似的物品。用在课程场景里，可以简述为：如果很多学生同时喜欢“高等数学”和“线性代数”，那么当一个学生喜欢“高等数学”时，系统就该把“线性代数”推荐给他。
课程相似度计算使用余弦相似度。每一门课都有一个向量，向量中的每个维度对应一个学生，维度值就是该学生对这门课的行为值。如果某个学生没有学过这门课，该维度就是 0。两门课向量越接近，说明它们的受众越重叠，课程就越相似。
// 文件路径：src/main/java/com/example/course/service/Impl/SimCourseRecommendService.java @Service public class SimCourseRecommendService { public List<Long> recommendCoursesBySimilarity( List<StudentCourseScore> myScores, List<StudentCourseScore> allScores, List<Course> allCourses, int limit) { // 1. 计算所有课程之间的相似度，只保留每个目标课程最相似的课程集合 Map<Long, List<CourseSimilarity>> simMap = new HashMap<>(); List<Course> courses = allCourses; for (int i = 0; i < courses.size(); i++) { Course c1 = courses.get(i); for (int j = i + 1; j < courses.size(); j++) { Course c2 = courses.get(j); double sim = cosineSimilarity(c1.getId(), c2.getId(), allScores); if (sim > 0) { simMap.computeIfAbsent(c1.getId(), k -> new ArrayList<>()) .add(new CourseSimilarity(c2.getId(), sim)); simMap.computeIfAbsent(c2.getId(), k -> new ArrayList<>()) .add(new CourseSimilarity(c1.getId(), sim)); } } } // 2. 找到当前学生评分较高的课程，再找出这些课程的相似课程 Map<Long, Double> candidateScore = new HashMap<>(); Map<Long, Double> explainScore = new HashMap<>(); for (StudentCourseScore my : myScores) { if (my.getScore() == null || my.getScore() < 3) { continue; } List<CourseSimilarity> simCourses = simMap.getOrDefault(my.getCourseId(), Collections.emptyList()); for (CourseSimilarity sim : simCourses) { if (myScores.stream().anyMatch(s -> s.getCourseId().equals(sim.getCourseId()))) { continue; } candidateScore.merge(sim.getCourseId(), sim.getScore() * my.getScore(), Double::sum); explainScore.putIfAbsent(sim.getCourseId(), sim.getScore()); } } // 3. 排序并返回课程ID return candidateScore.entrySet().stream() .sorted((e1, e2) -> Double.compare(e2.getValue(), e1.getValue())) .limit(limit) .map(Map.Entry::getKey) .collect(Collectors.toList()); } private double cosineSimilarity(Long courseA, Long courseB, List<StudentCourseScore> allScores) { Map<Long, Double> vectorA = new HashMap<>(); Map<Long, Double> vectorB = new HashMap<>(); for (StudentCourseScore s : allScores) { if (s.getCourseId().equals(courseA)) { vectorA.put(s.getStudentId(), s.getScore() == null ? 0.0 : s.getScore().doubleValue()); } if (s.getCourseId().equals(courseB)) { vectorB.put(s.getStudentId(), s.getScore() == null ? 0.0 : s.getScore().doubleValue()); } } Set<Long> allStudents = new HashSet<>(); allStudents.addAll(vectorA.keySet()); allStudents.addAll(vectorB.keySet()); double dot = 0, normA = 0, normB = 0; for (Long studentId : allStudents) { double a = vectorA.getOrDefault(studentId, 0.0); double b = vectorB.getOrDefault(studentId, 0.0); dot += a * b; normA += a * a; normB += b * b; } if (normA == 0 || normB == 0) { return 0; } return dot / (Math.sqrt(normA) * Math.sqrt(normB)); } @Data @AllArgsConstructor public static class CourseSimilarity { private Long courseId; private double score; } }这段代码里值得在答辩中说明的点有三个：一是为什么要跳过当前学生已经选过的课程，二是score * sim的加权重叠含义，三是相似度只保留正值，避免负相关课程的干扰。把这三点讲清楚，比单纯背余弦相似度公式更有说服力。
6.3 冷启动处理：没有历史数据时推荐什么
新学生没有选课记录，协同过滤算法无法算相似度。这时候要有一个兜底方案。最简单的做法是：按课程的综合热度推荐，热度可以由选课人数和平均评分计算出来。同时可以加入少量随机扰动，避免所有学生进入系统看到的推荐课程完全一样。
// 冷启动：返回热门课程 public List<Course> hotCourses(List<StudentCourseScore> allScores, List<Course> allCourses, int limit) { Map<Long, Long> courseCount = allScores.stream() .collect(Collectors.groupingBy(StudentCourseScore::getCourseId, Collectors.counting())); return allCourses.stream() .sorted((c1, c2) -> Long.compare( courseCount.getOrDefault(c2.getId(), 0L), courseCount.getOrDefault(c1.getId(), 0L))) .limit(limit) .collect(Collectors.toList()); }这个方案虽然简单，但逻辑通顺。毕业论文里可以把它上升为“冷启动问题下的默认推荐策略”，核心思路是：在用户画像不完整时，优先使用群体统计特征，而不是强行套用个性化算法。
6.4 AI 辅助推荐理由生成
推荐理由是本系统区别于普通课程管理系统的关键功能。它让推荐结果不再是一条冷冰冰的数据记录，而是一句学生能看懂的话。
考虑到毕设环境里不一定有可用的外部大模型 API，这里采用接口 + 模板实现的方式。先定义一个 AI 推荐理由服务接口，再写一个模板实现作为默认方案。如果之后想接入真实大模型服务，只需要新增一个实现类，替换 Bean 即可。
// 文件路径：src/main/java/com/example/course/service/AiRecommendReasonService.java public interface AiRecommendReasonService { String generateReason(Course course, Double score, boolean coldStart); }// 文件路径：src/main/java/com/example/course/service/Impl/TemplateReasonServiceImpl.java @Service public class TemplateReasonServiceImpl implements AiRecommendReasonService { @Override public String generateReason(Course course, Double score, boolean coldStart) { if (coldStart) { return "近期选课人数较多、整体评分良好的课程，适合作为通识拓展方向尝试。"; } if (score != null && score >= 3.0) { return "与你已选课程有较高的受众重合度，往届选课学生普遍反馈课程内容扎实。"; } return "根据课程多维特征分析，该课程在难度与开课院系方面与你当前学习方向较为匹配。"; } }模板实现并不神奇，但它完成了一个更重要的事情：把“推荐解释模块”的边界确定下来。后期如果你的毕业设计想展示更前沿的 AI 能力，比如接入大模型生成个性化推荐语，只需要替换这个 Service。Controller 和 Thymeleaf 页面完全不用改。这一点在毕业设计论文中非常好写，也是评委愿意听的设计亮点。
6.5 主推荐服务的完整流程
主推荐服务按以下逻辑组装：
- 查询当前学生的历史评分记录。
- 查询全部课程和全部评分记录。
- 如果学生没有历史记录，走热门课程冷启动逻辑。
- 如果学生有历史记录，调用协同过滤推荐逻辑。
- 用 AI 推荐理由服务生成每门候选课程的推荐理由。
- 封装成
RecommendItem列表返回给 Controller。
// 文件路径：src/main/java/com/example/course/service/Impl/CourseRecommendServiceImpl.java @Service public class CourseRecommendServiceImpl implements RecommendService { private final StudentCourseScoreMapper studentCourseScoreMapper; private final CourseMapper courseMapper; private final SimCourseRecommendService simCourseRecommendService; private final AiRecommendReasonService aiRecommendReasonService; public CourseRecommendServiceImpl(StudentCourseScoreMapper studentCourseScoreMapper, CourseMapper courseMapper, SimCourseRecommendService simCourseRecommendService, AiRecommendReasonService aiRecommendReasonService) { this.studentCourseScoreMapper = studentCourseScoreMapper; this.courseMapper = courseMapper; this.simCourseRecommendService = simCourseRecommendService; this.aiRecommendReasonService = aiRecommendReasonService; } @Override public List<RecommendItem> recommendForStudent(Long studentId, int limit) { List<StudentCourseScore> allScores = studentCourseScoreMapper.selectList(null); List<Course> allCourses = courseMapper.selectList(null); List<StudentCourseScore> myScores = studentCourseScoreMapper.selectList( new LambdaQueryWrapper<StudentCourseScore>() .eq(StudentCourseScore::getStudentId, studentId)); boolean coldStart = myScores == null || myScores.isEmpty(); List<RecommendItem> result = new ArrayList<>(); if (coldStart) { List<Course> hotCourses = simCourseRecommendService.hotCourses(allScores, allCourses, limit); for (Course course : hotCourses) { RecommendItem item = new RecommendItem(); item.setCourse(course); item.setScore(0.0); item.setReason(aiRecommendReasonService.generateReason(course, 0.0, true)); result.add(item); } return result; } List<Long> courseIds = simCourseRecommendService.recommendCoursesBySimilarity( myScores, allScores, allCourses, limit); Map<Long, Course> courseMap = allCourses.stream() .collect(Collectors.toMap(Course::getId, c -> c)); for (Long courseId : courseIds) { Course course = courseMap.get(courseId); if (course == null) { continue; } RecommendItem item = new RecommendItem(); item.setCourse(course); item.setScore(0.0); item.setReason(aiRecommendReasonService.generateReason(course, 0.0, false)); result.add(item); } return result; } }主流程并不复杂，但结构完整。答辩时顺着这个方法讲，条理非常清楚。
7. Controller 与 Thymeleaf 页面渲染
7.1 Controller 层实现
Controller 负责接收学生 ID、调用推荐服务、把结果放进 Model，返回到 Thymeleaf 模板。为了演示方便，这里用studentId作为请求参数，实际项目应该从登录会话中获取。
// 文件路径：src/main/java/com/example/course/controller/RecommendController.java @Controller public class RecommendController { private final RecommendService recommendService; public RecommendController(RecommendService recommendService) { this.recommendService = recommendService; } @GetMapping("/recommend") public String recommend(@RequestParam(value = "studentId", defaultValue = "1") Long studentId, Model model) { List<RecommendItem> items = recommendService.recommendForStudent(studentId, 5); model.addAttribute("items", items); model.addAttribute("studentId", studentId); return "recommend"; } }7.2 Thymeleaf 页面模板
在src/main/resources/templates/recommend.html中渲染推荐结果。这里用th:each遍历推荐列表，用th:text输出课程属性和推荐理由。
<!DOCTYPE html> <html lang="zh" xmlns:th="http://www.thymeleaf.org"> <head> <meta charset="UTF-8"> <title>校园课程推荐系统</title> <link rel="stylesheet" th:href="@{/css/style.css}"> </head> <body> <div class="container"> <h2>为你推荐的课程</h2> <p>学生ID：<span th:text="${studentId}">1</span></p> <div class="course-list"> <div class="course-card" th:each="item : ${items}"> <h3 th:text="${item.course.courseName}">课程名称</h3> <p>课程编号：<span th:text="${item.course.courseCode}"></span></p> <p>开课院系：<span th:text="${item.course.college}"></span></p> <p>任课教师：<span th:text="${item.course.teacherName}"></span></p> <p>学分：<span th:text="${item.course.credit}"></span></p> <p>难度：<span th:text="${item.course.difficulty}"></span></p> <p class="reason">推荐理由：<span th:text="${item.reason}"></span></p> </div> </div> </div> </body> </html>这个页面不需要复杂的 JavaScript。它的价值在于：学生打开页面，能看到推荐课程列表，还能看到一行推荐理由。对于课程推荐系统来说，“有推荐理由”和“没有推荐理由”在观感上是质变。
7.3 给页面增加基本样式
可以增加一个style.css样式的引用，让课程卡片横向排列或纵向堆叠，提高演示视觉效果。CSS 可以根据自己的审美调整，这里只提供一个基础思路：使用display: grid或flex布局展示卡片，课程卡片内部包含课程名称、教师、学分、难度和推荐理由。
8. 运行验证与常见问题排查
8.1 启动与访问流程
先用 Maven 启动 SpringBoot 应用：
mvn spring-boot:run启动成功后，浏览器访问：
http://localhost:8080/recommend?studentId=1如果数据库里有学生和选课评分数据，页面会展示推荐课程列表和推荐理由。没有历史数据的学生走冷启动逻辑，会看到热门课程推荐。
8.2 如何判断推荐结果正确
判断推荐系统是否正常工作，不能只看页面是否渲染出课程。按照下面几个步骤验证：
- 把学生 1 的选课记录人工构造出来，比如他给“高等数学”打了 5 分，给“大学物理”打了 4 分。
- 插入一批其他学生对课程的打分记录，确保“线性代数”和“概率论”这些课程与“高等数学”有相似受众。
- 访问学生 1 的推荐页面，确认推荐结果中包含相似课程，且不包含他已经选过的课程。
- 检查控制台 SQL 日志，确认 MyBatis-Plus 正常打印了查询语句。
如果推荐结果为空，优先检查数据库里是否有足够的选课评分数据，以及当前学生是否把所有课程都选过了。
8.3 常见问题与排查思路
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 启动失败，端口被占用 | 8080 端口被其他进程占用 | 查看启动日志里的端口异常 | 更换server.port或释放端口 |
| 连接数据库报错 | MySQL 服务未启动或账号密码错误 | 检查数据库连接 URL、用户名、密码 | 确认数据库已启动，密码正确 |
页面出现Could not resolve view | Thymeleaf 模板路径不对 | 检查templates目录和文件名 | 确认文件存在于resources/templates，后缀为.html |
| 推荐列表为空 | 学生历史评分为空或评分过低 | 打印推荐日志 | 构造足够测试数据，或检查冷启动逻辑 |
| 中文乱码 | 数据库或页面字符集不一致 | 检查数据库字符集和连接参数 | 使用utf8mb4，并在 JDBC URL 中加入characterEncoding=utf8 |
| Maven 依赖下载缓慢 | 未配置国内镜像 | 检查本地 Maven settings | 配置阿里云镜像仓库 |
这些问题是 SpringBoot + MyBatis-Plus 项目里最常见的几类，也是答辩时评委爱问的工程问题。能在现场答出“这个报错是因为模板解析路径不对”，本身说明你是真的做过。
9. 最佳实践与后续学习方向
9.1 推荐系统别一上来就上复杂模型
很多做毕设的同学容易走进一个误区：认为推荐系统一定要用矩阵分解、深度学习、大模型。但在校园课程推荐这个场景里，数据量只有几百条，复杂模型不仅训练不出来，解释起来也费劲。
毕设场景下最务实的路径是：先做基于规则的推荐，再叠加协同过滤，最后用 AI 生成推荐理由。这套方案数据要求低、逻辑可解释、代码量可控，而且每一层都可以单独写进论文。
9.2 把“可解释性”作为项目亮点
普通推荐系统只输出结果，你这套系统输出结果的同时还输出推荐理由。这个点非常值得在答辩时展开。讲讲 AI 推荐理由服务为什么用接口隔离，模板实现和真实大模型实现的差异在哪里，以及可解释推荐对用户体验的价值。
9.3 继续深入的学习方向
如果时间充裕，可以从三个方向升级这套系统：
方向一是引入真实大模型服务，将模板推荐理由替换为大模型生成的个性化推荐语，让推荐理由更丰富。申请好合法的模型服务后，构建一个实现类，调用模型接口，解析返回内容即可，原有页面结构不用变。
方向二是引入向量数据库，把课程名称、课程介绍、课程评价文本转成向量，用语义相似度替代稀疏评分矩阵，解决新课程没有评分数据的问题。
方向三是增加更多隐式反馈，比如记录学生浏览课程的时间、点击次数、关注课程的行为，用这些信号训练一个更完整的用户画像，让推荐结果更准。
9.4 工程上要注意的细节
数据库连接密码不要硬编码在配置文件里提交到公开仓库，这是基本安全意识。如果多人共同开发，推荐日志表和课程表等核心表结构变更时要提前沟通。上线前用测试数据跑一遍完整流程，包括冷启动和协同过滤两种场景，确保页面不会因为推荐结果为空而报错。这里强调一句：所有数据库变更建议先用测试库验证，操作前备份，遵循最小权限原则，不要在生产环境直接改表。
10. 总结
基于 SpringBoot + Thymeleaf + AI 推荐的校园课程推荐系统，核心不是页面有多花哨，而是数据建模是否合理、推荐策略是否分层、推荐结果是否能解释。学生选课评分表是这套系统的数据基础，协同过滤负责生成课程候选集，AI 推荐理由服务负责解释推荐结果，冷启动逻辑负责处理无历史行为的学生。代码量不大，但每一层都经得起追问。
建议你把这套工程跑通之后，再思考一个问题：如果数据量扩大一百倍，内存计算会变成性能瓶颈，那时候应该怎么设计？带着这个问题去研究缓存、异步推荐、离线计算结果等方案，你的推荐系统能力会上一个台阶。这篇内容建议收藏备用，动手写代码时对照着实现会顺利很多。
