在当前电商行业竞争白热化的背景下，精准的商品推荐已成为提升用户体验、增加订单转化率的核心竞争力。传统的推荐方式多依赖人工规则，难以应对海量商品和用户的个性化需求。而 Spring Boot 作为轻量级 Java 开发框架，能快速搭建稳定高效的后端服务；AI 推荐算法则能基于用户行为数据挖掘潜在需求，两者结合可构建出高可用、个性化的电商推荐系统。本文将从技术选型、项目搭建、算法实现、整合部署等方面，手把手带你完成 Spring Boot+AI 推荐算法的电商实战项目。
一、核心技术栈解析
本次实战项目需整合后端开发、数据处理、推荐算法实现三大核心模块，技术栈选型兼顾易用性、稳定性和扩展性，具体如下：
1. 后端开发框架：Spring Boot 2.7.x
Spring Boot 是构建 Java 后端服务的主流框架，其核心优势在于自动配置、起步依赖和嵌入式服务器，能大幅简化项目搭建和开发流程。本次选用 2.7.x 稳定版本，配合 Spring Data JPA 实现数据持久化，Spring MVC 处理 HTTP 请求，确保后端服务的高效开发和稳定运行。
2. 数据存储：MySQL 8.0 + Redis 6.x
MySQL 作为关系型数据库，用于存储用户信息、商品信息、订单数据、用户行为数据（如浏览、收藏、购买记录）等核心业务数据，支持复杂的查询和事务处理。Redis 作为缓存数据库，用于缓存热点商品数据、用户推荐结果，减少数据库查询压力，提升系统响应速度。
3. AI 推荐算法核心：协同过滤算法
推荐算法是本次项目的核心，考虑到电商场景的实用性和实现难度，选用业界成熟的协同过滤算法（Collaborative Filtering），分为基于用户的协同过滤（User-Based CF）和基于物品的协同过滤（Item-Based CF）：
基于用户的协同过滤：找到与目标用户兴趣相似的用户群体，将该群体喜欢的商品推荐给目标用户；
基于物品的协同过滤：找到与目标用户近期交互过的商品相似的商品，推荐给目标用户（更适合电商场景，推荐结果更稳定、可解释性更强）。
后续将基于 Python 实现算法核心逻辑，通过 Spring Boot 调用算法服务提供推荐结果。
4. 算法实现语言：Python 3.9 + Surprise 库
Python 是数据科学和 AI 领域的主流语言，拥有丰富的算法库。Surprise 库是专门用于推荐系统协同过滤算法的实现库，封装了多种相似度计算方法（如余弦相似度、皮尔逊相关系数）和推荐模型，能快速实现协同过滤算法的开发和测试。
5. 跨语言调用：HTTP 接口 + JSON 序列化
由于后端服务基于 Java（Spring Boot）开发，推荐算法基于 Python 实现，需通过跨语言调用实现数据交互。采用 HTTP 接口作为通信方式，JSON 作为数据序列化格式，Spring Boot 后端通过 RestTemplate 调用 Python 算法服务，传递用户 ID、商品 ID 等参数，接收推荐结果。
二、项目实战：从零搭建电商推荐系统
本次实战项目分为三大阶段：Spring Boot 后端服务搭建、Python AI 推荐算法服务实现、两者整合测试。以下逐步详细讲解实现过程。
阶段一：Spring Boot 后端服务搭建
本阶段目标是搭建电商平台的核心后端服务，实现用户管理、商品管理、用户行为记录等基础功能，为后续推荐算法提供数据支撑和接口调用能力。
1. 项目初始化
使用 Spring Initializr 快速初始化项目，地址：https://start.spring.io/，配置如下：
Project：Maven Project
Language：Java
Spring Boot：2.7.18
Group：com.ecommerce
Artifact：recommendation-system
Dependencies：Spring Web、Spring Data JPA、MySQL Driver、Redis Starter、Lombok
生成项目后导入 IDEA，pom.xml 核心依赖如下（自动生成，无需手动修改）：
<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-jpa</artifactId></dependency><dependency><groupId>com.mysql</groupId><artifactId>mysql-connector-j</artifactId><scope>runtime</scope></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-redis</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency>2. 核心配置文件编写
在 src/main/resources 下创建 application.yml 文件，配置 MySQL、Redis、JPA 等核心参数：
spring:# 数据库配置datasource:url:jdbc:mysql://localhost:3306/ecommerce_recommendation?useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=trueusername:rootpassword:123456driver-class-name:com.mysql.cj.jdbc.Driver# JPA配置jpa:hibernate:ddl-auto:update# 自动创建/更新表结构show-sql:true# 打印SQL语句properties:hibernate:format_sql:true# 格式化SQL# Redis配置redis:host:localhostport:6379password:# 若Redis无密码则留空database:0# 算法服务配置（Python算法服务地址）algorithm:service:url:http://localhost:5000/recommend3. 核心数据模型设计
根据电商推荐场景，设计 4 个核心实体类：用户（User）、商品（Product）、用户行为（UserBehavior）、推荐结果（Recommendation）。使用 Lombok 简化 getter/setter 编写。
（1）用户实体（User）
packagecom.ecommerce.recommendationsystem.entity;importlombok.Data;importjavax.persistence.*;@Data@Entity@Table(name="t_user")publicclassUser{@Id@GeneratedValue(strategy=GenerationType.IDENTITY)privateLongid;// 用户IDprivateStringusername;// 用户名privateStringpassword;// 密码（实际项目需加密）privateStringphone;// 手机号privateStringemail;// 邮箱privateIntegerage;// 年龄（用于辅助推荐）privateStringgender;// 性别（用于辅助推荐）privateStringcreateTime;// 创建时间}（2）商品实体（Product）
packagecom.ecommerce.recommendationsystem.entity;importlombok.Data;importjavax.persistence.*;@Data@Entity@Table(name="t_product")publicclassProduct{@Id@GeneratedValue(strategy=GenerationType.IDENTITY)privateLongid;// 商品IDprivateStringname;// 商品名称privateStringcategory;// 商品分类（如电子、服装、食品）privateDoubleprice;// 商品价格privateStringdescription;// 商品描述privateStringimageUrl;// 商品图片URLprivateIntegerstock;// 库存privateDoublescore;// 商品评分（1-5分）privateStringcreateTime;// 创建时间}（3）用户行为实体（UserBehavior）
用户行为是推荐算法的核心数据，包括浏览、收藏、购买、评分等行为，用 type 字段区分：
packagecom.ecommerce.recommendationsystem.entity;importlombok.Data;importjavax.persistence.*;@Data@Entity@Table(name="t_user_behavior")publicclassUserBehavior{@Id@GeneratedValue(strategy=GenerationType.IDENTITY)privateLongid;// 行为IDprivateLonguserId;// 用户IDprivateLongproductId;// 商品IDprivateIntegertype;// 行为类型：1-浏览，2-收藏，3-购买，4-评分privateIntegerscore;// 评分（仅type=4时有效，1-5分）privateStringbehaviorTime;// 行为时间}（4）推荐结果实体（Recommendation）
存储算法推荐的结果，便于后续查询和缓存：
packagecom.ecommerce.recommendationsystem.entity;importlombok.Data;importjavax.persistence.*;@Data@Entity@Table(name="t_recommendation")publicclassRecommendation{@Id@GeneratedValue(strategy=GenerationType.IDENTITY)privateLongid;// 推荐IDprivateLonguserId;// 用户IDprivateLongproductId;// 推荐商品IDprivateDoublerelevance;// 相关性得分（越高越推荐）privateStringcreateTime;// 推荐生成时间}4. 数据访问层（Repository）实现
基于 Spring Data JPA 编写 Repository 接口，简化数据库操作：
（1）UserRepository
packagecom.ecommerce.recommendationsystem.repository;importcom.ecommerce.recommendationsystem.entity.User;importorg.springframework.data.jpa.repository.JpaRepository;importorg.springframework.stereotype.Repository;@RepositorypublicinterfaceUserRepositoryextendsJpaRepository<User,Long>{// 根据用户名查询用户UserfindByUsername(Stringusername);}（2）ProductRepository
packagecom.ecommerce.recommendationsystem.repository;importcom.ecommerce.recommendationsystem.entity.Product;importorg.springframework.data.jpa.repository.JpaRepository;importorg.springframework.stereotype.Repository;importjava.util.List;@RepositorypublicinterfaceProductRepositoryextendsJpaRepository<Product,Long>{// 根据分类查询商品List<Product>findByCategory(Stringcategory);// 根据评分排序查询商品（降序）List<Product>findTop10ByOrderByScoreDesc();}（3）UserBehaviorRepository
packagecom.ecommerce.recommendationsystem.repository;importcom.ecommerce.recommendationsystem.entity.UserBehavior;importorg.springframework.data.jpa.repository.JpaRepository;importorg.springframework.stereotype.Repository;importjava.util.List;@RepositorypublicinterfaceUserBehaviorRepositoryextendsJpaRepository<UserBehavior,Long>{// 根据用户ID查询用户所有行为List<UserBehavior>findByUserId(LonguserId);// 根据用户ID和行为类型查询行为List<UserBehavior>findByUserIdAndType(LonguserId,Integertype);}（4）RecommendationRepository
packagecom.ecommerce.recommendationsystem.repository;importcom.ecommerce.recommendationsystem.entity.Recommendation;importorg.springframework.data.jpa.repository.JpaRepository;importorg.springframework.stereotype.Repository;importjava.util.List;@RepositorypublicinterfaceRecommendationRepositoryextendsJpaRepository<Recommendation,Long>{// 根据用户ID查询推荐结果（按相关性得分降序）List<Recommendation>findByUserIdOrderByRelevanceDesc(LonguserId);// 删除用户的旧推荐结果（更新推荐时使用）voiddeleteByUserId(LonguserId);}5. 业务逻辑层（Service）实现
编写核心业务逻辑，包括用户行为记录、推荐结果获取与更新、调用算法服务等功能。
（1）UserBehaviorService
packagecom.ecommerce.recommendationsystem.service;importcom.ecommerce.recommendationsystem.entity.UserBehavior;importcom.ecommerce.recommendationsystem.repository.UserBehaviorRepository;importlombok.extern.slf4j.Slf4j;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.stereotype.Service;importjava.util.List;@Service@Slf4jpublicclassUserBehaviorService{@AutowiredprivateUserBehaviorRepositoryuserBehaviorRepository;/** * 记录用户行为 * @param userBehavior 用户行为实体 * @return 保存后的行为实体 */publicUserBehaviorrecordBehavior(UserBehavioruserBehavior){log.info("记录用户行为：userId={}, productId={}, type={}",userBehavior.getUserId(),userBehavior.getProductId(),userBehavior.getType());returnuserBehaviorRepository.save(userBehavior);}/** * 根据用户ID获取所有行为 * @param userId 用户ID * @return 行为列表 */publicList<UserBehavior>getBehaviorByUserId(LonguserId){returnuserBehaviorRepository.findByUserId(userId);}}（2）RecommendationService
核心服务，负责调用 Python 算法服务获取推荐结果，并更新到数据库和 Redis 缓存：
packagecom.ecommerce.recommendationsystem.service;importcom.alibaba.fastjson.JSON;importcom.alibaba.fastjson.TypeReference;importcom.ecommerce.recommendationsystem.entity.Product;importcom.ecommerce.recommendationsystem.entity.Recommendation;importcom.ecommerce.recommendationsystem.repository.ProductRepository;importcom.ecommerce.recommendationsystem.repository.RecommendationRepository;importlombok.extern.slf4j.Slf4j;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.data.redis.core.RedisTemplate;importorg.springframework.http.ResponseEntity;importorg.springframework.stereotype.Service;importorg.springframework.web.client.RestTemplate;importjava.util.ArrayList;importjava.util.Date;importjava.util.List;importjava.util.Map;importjava.util.concurrent.TimeUnit;@Service@Slf4jpublicclassRecommendationService{@AutowiredprivateRestTemplaterestTemplate;@AutowiredprivateRecommendationRepositoryrecommendationRepository;@AutowiredprivateProductRepositoryproductRepository;@AutowiredprivateRedisTemplate<String,Object>redisTemplate;// 算法服务地址@Value("${algorithm.service.url}")privateStringalgorithmServiceUrl;// 缓存key前缀privatestaticfinalStringRECOMMEND_CACHE_KEY_PREFIX="recommend:user:";/** * 获取用户推荐商品列表 * @param userId 用户ID * @return 推荐商品列表 */publicList<Product>getRecommendProducts(LonguserId){// 1. 先从Redis缓存获取List<Product>cacheProducts=getRecommendFromRedis(userId);if(cacheProducts!=null&&!cacheProducts.isEmpty()){log.info("从Redis获取用户{}的推荐商品",userId);returncacheProducts;}// 2. 缓存未命中，调用算法服务获取推荐商品ID列表List<Long>recommendProductIds=callAlgorithmService(userId);if(recommendProductIds==null||recommendProductIds.isEmpty()){log.warn("算法服务未返回用户{}的推荐结果，返回热门商品",userId);// 推荐结果为空时，返回热门商品returnproductRepository.findTop10ByOrderByScoreDesc();}// 3. 根据商品ID查询商品详情List<Product>recommendProducts=productRepository.findAllById(recommendProductIds);// 4. 存入Redis缓存，有效期1小时setRecommendToRedis(userId,recommendProducts);// 5. 更新数据库中的推荐结果updateRecommendToDb(userId,recommendProductIds);returnrecommendProducts;}/** * 从Redis获取推荐商品 */privateList<Product>getRecommendFromRedis(LonguserId){StringcacheKey=RECOMMEND_CACHE_KEY_PREFIX+userId;return(List<Product>)redisTemplate.opsForValue().get(cacheKey);}/** * 将推荐商品存入Redis */privatevoidsetRecommendToRedis(LonguserId,List<Product>products){StringcacheKey=RECOMMEND_CACHE_KEY_PREFIX+userId;redisTemplate.opsForValue().set(cacheKey,products,1,TimeUnit.HOURS);}/** * 调用Python算法服务 * @param userId 用户ID * @return 推荐商品ID列表 */privateList<Long>callAlgorithmService(LonguserId){try{// 构造请求参数（用户ID）StringrequestUrl=algorithmServiceUrl+"?userId="+userId;// 调用算法服务（GET请求）ResponseEntity<String>response=restTemplate.getForEntity(requestUrl,String.class);if(response.getStatusCode().is2xxSuccessful()&&response.getBody()!=null){// 解析返回结果（JSON格式：{"productIds": [1,2,3,...]}）Map<String,List<Long>>resultMap=JSON.parseObject(response.getBody(),newTypeReference<Map<String,List<Long>>>(){});returnresultMap.get("productIds");}}catch(Exceptione){log.error("调用算法服务失败：",e);}returnnull;}/** * 更新推荐结果到数据库 */privatevoidupdateRecommendToDb(LonguserId,List<Long>productIds){// 1. 删除旧的推荐结果recommendationRepository.deleteByUserId(userId);// 2. 插入新的推荐结果（相关性得分按顺序递减，简化处理）List<Recommendation>recommendations=newArrayList<>();for(inti=0;i<productIds.size();i++){Recommendationrecommendation=newRecommendation();recommendation.setUserId(userId);recommendation.setProductId(productIds.get(i));// 相关性得分：第1名1.0，第2名0.9，...，依次递减0.1recommendation.setRelevance(1.0-i*0.1);recommendation.setCreateTime(newDate().toString());recommendations.add(recommendation);}recommendationRepository.saveAll(recommendations);}}6. 控制层（Controller）实现
编写 RESTful 接口，供前端调用，包括用户行为记录、获取推荐商品等接口：
packagecom.ecommerce.recommendationsystem.controller;importcom.ecommerce.recommendationsystem.entity.Product;importcom.ecommerce.recommendationsystem.entity.UserBehavior;importcom.ecommerce.recommendationsystem.service.RecommendationService;importcom.ecommerce.recommendationsystem.service.UserBehaviorService;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.http.ResponseEntity;importorg.springframework.web.bind.annotation.*;importjava.util.List;@RestController@RequestMapping("/api/v1")publicclassEcommerceController{@AutowiredprivateUserBehaviorServiceuserBehaviorService;@AutowiredprivateRecommendationServicerecommendationService;/** * 记录用户行为 */@PostMapping("/behavior")publicResponseEntity<UserBehavior>recordBehavior(@RequestBodyUserBehavioruserBehavior){UserBehaviorsavedBehavior=userBehaviorService.recordBehavior(userBehavior);returnResponseEntity.ok(savedBehavior);}/** * 获取用户推荐商品 */@GetMapping("/recommend/{userId}")publicResponseEntity<List<Product>>getRecommendProducts(@PathVariableLonguserId){List<Product>recommendProducts=recommendationService.getRecommendProducts(userId);returnResponseEntity.ok(recommendProducts);}/** * 获取热门商品（推荐降级方案） */@GetMapping("/hot-products")publicResponseEntity<List<Product>>getHotProducts(){List<Product>hotProducts=recommendationService.getHotProducts();returnResponseEntity.ok(hotProducts);}}7. 配置类编写
编写 RestTemplate 配置类，用于调用 Python 算法服务：
packagecom.ecommerce.recommendationsystem.config;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;importorg.springframework.web.client.RestTemplate;@ConfigurationpublicclassRestTemplateConfig{@BeanpublicRestTemplaterestTemplate(){returnnewRestTemplate();}}阶段二：Python AI 推荐算法服务实现
本阶段目标是基于协同过滤算法，实现推荐核心逻辑，并用 Flask 搭建 HTTP 服务，供 Spring Boot 后端调用。
1. 环境准备
安装所需 Python 库：
# 安装Flask（搭建HTTP服务）pipinstallflask# 安装Surprise（协同过滤算法库）pipinstallscikit-surprise# 安装pandas（数据处理）pipinstallpandas# 安装mysql-connector-python（读取MySQL数据）pipinstallmysql-connector-python2. 协同过滤算法实现
基于 Surprise 库实现基于物品的协同过滤算法，核心逻辑：读取用户行为数据（评分/购买记录），训练模型，为目标用户推荐商品。
3. Flask 服务搭建
创建 recommend_service.py 文件，实现算法服务：
fromflaskimportFlask,request,jsonifyimportpandasaspdimportmysql.connectorfromsurpriseimportDataset,Reader,KNNBasicfromsurprise.model_selectionimporttrain_test_split app=Flask(__name__)# 数据库配置（与Spring Boot配置一致）DB_CONFIG={'host':'localhost','user':'root','password':'123456','database':'ecommerce_recommendation'}# 加载用户行为数据（用于训练模型）defload_user_behavior_data():# 连接MySQL数据库conn=mysql.connector.connect(**DB_CONFIG)# 查询用户行为数据（筛选评分和购买行为，作为偏好依据）query=""" SELECT user_id, product_id, score FROM t_user_behavior WHERE type IN (3, 4) # 3-购买，4-评分（这两种行为最能体现用户偏好） """# 读取数据到DataFramedf=pd.read_sql(query,conn)conn.close()# 处理评分数据（购买行为默认评分为5分）df['score']=df['score'].fillna(5.0)# 购买行为可能没有评分，填充为5分returndf# 训练协同过滤模型（基于物品的协同过滤）deftrain_item_based_cf_model():# 加载数据df=load_user_behavior_data()# 定义评分范围（1-5分）reader=Reader(rating_scale=(1,5))# 转换为Surprise所需的数据集格式data=Dataset.load_from_df(df[['user_id','product_id','score']],reader)# 划分训练集和测试集（这里主要用于训练，测试集可忽略）trainset,testset=train_test_split(data,test_size=0.2,random_state=42)# 训练基于物品的协同过滤模型（使用余弦相似度）sim_options={'name':'cosine',# 相似度计算方法：余弦相似度'user_based':False# False表示基于物品的协同过滤}model=KNNBasic(sim_options=sim_options)model.fit(trainset)returnmodel,df# 初始化模型（项目启动时训练一次，实际项目可定时更新）model,df=train_item_based_cf_model()# 获取用户已交互过的商品defget_user_interacted_products(user_id):returndf[df['user_id']==user_id]['product_id'].unique()# 为目标用户推荐商品defrecommend_products(user_id,top_n=10):# 1. 获取用户已交互过的商品（避免重复推荐）interacted_products=get_user_interacted_products(user_id)# 2. 获取所有商品IDall_products=df['product_id'].unique()# 3. 筛选出用户未交互过的商品uninteracted_products=[pforpinall_productsifpnotininteracted_products]# 4. 预测用户对未交互商品的评分predictions=[]forproduct_idinuninteracted_products:# 预测用户对该商品的评分pred=model.predict(user_id,product_id)predictions.append((product_id,pred.est))# pred.est是预测评分# 5. 按预测评分降序排序，取前top_n个商品predictions.sort(key=lambdax:x[1],reverse=True)top_products=[p[0]forpinpredictions[:top_n]]returntop_products# 推荐接口（供Spring Boot调用）@app.route('/recommend',methods=['GET'])defrecommend():try:# 获取请求参数中的用户IDuser_id=int(request.args.get('userId'))# 调用推荐函数recommend_product_ids=recommend_products(user_id,top_n=10)# 返回推荐结果（JSON格式）returnjsonify({'code':200,'message':'success','productIds':recommend_product_ids})exceptExceptionase:returnjsonify({'code':500,'message':f'推荐失败：{str(e)}','productIds':[]})if__name__=='__main__':# 启动Flask服务（默认端口5000）app.run(host='0.0.0.0',port=5000,debug=True)阶段三：整合测试与运行
完成 Spring Boot 后端和 Python 算法服务的开发后，进行整合测试，验证推荐功能是否正常。
1. 环境准备
启动 MySQL 服务，创建数据库 ecommerce_recommendation（无需手动建表，Spring Boot JPA 会自动创建）；
启动 Redis 服务；
向数据库插入测试数据（用户、商品、用户行为数据），示例 SQL：
-- 插入测试用户INSERTINTOt_user(username,password,phone,email,age,gender,createTime)VALUES('test_user1','123456','13800138001','test1@example.com',25,'男','2025-01-01');-- 插入测试商品INSERTINTOt_product(name,category,price,description,imageUrl,stock,score,createTime)VALUES('iPhone 15','电子',7999.0,'苹果手机','https://example.com/iphone15.jpg',100,4.8,'2025-01-01'),('华为Mate 60','电子',6999.0,'华为手机','https://example.com/mate60.jpg',80,4.9,'2025-01-01'),('Nike运动鞋','服装',899.0,'运动休闲鞋','https://example.com/nike.jpg',200,4.6,'2025-01-01'),('Adidas运动服','服装',599.0,'运动套装','https://example.com/adidas.jpg',150,4.5,'2025-01-01');-- 插入测试用户行为（用户1购买了iPhone 15，评分5分）INSERTINTOt_user_behavior(user_id,product_id,type,score,behaviorTime)VALUES(1,1,3,5,'2025-01-02 10:00:00'),(1,1,4,5,'2025-01-02 10:05:00');2. 启动服务
启动 Python 算法服务：运行 recommend_service.py 文件，服务将在 5000 端口启动；
启动 Spring Boot 后端服务：运行 RecommendationSystemApplication 主类，服务将在 8080 端口启动。
3. 接口测试
使用 Postman 或浏览器测试接口：
记录用户行为：POST 请求
http://localhost:8080/api/v1/behavior，请求体：{ "userId": 1, "productId": 2, "type": 1, "behaviorTime": "2025-01-02 11:00:00" }获取推荐商品：GET 请求
http://localhost:8080/api/v1/recommend/1，返回结果应包含与用户1兴趣相关的商品（如华为Mate 60）。
三、相关内容拓展
本次实战项目实现了基础的 Spring Boot+AI 推荐功能，在实际电商场景中，还可从以下方面进行优化和拓展：
1. 推荐算法优化
融合多种算法：将协同过滤与基于内容的推荐（如根据商品分类、用户标签推荐）、深度学习推荐（如用神经网络模型学习用户偏好）相结合，提升推荐准确率；
处理冷启动问题：新用户/新商品无行为数据时，可基于用户注册信息（年龄、性别）、商品分类进行初始推荐，后续逐步优化；
实时推荐：本次项目为离线训练模型，实际可采用流式处理框架（如 Flink）实时处理用户行为数据，动态更新推荐结果。
2. 系统性能优化
缓存优化：除了缓存推荐结果，还可缓存热点商品数据、用户行为数据，减少数据库压力；
异步处理：用户行为记录、推荐结果更新等操作可采用异步处理，提升接口响应速度；
负载均衡：当用户量较大时，可部署多个算法服务实例，通过 Nginx 实现负载均衡，提高系统可用性。
3. 业务功能拓展
个性化推荐页：根据用户画像（年龄、性别、消费能力）定制推荐页面展示；
推荐结果反馈：添加“不感兴趣”按钮，用户点击后调整推荐策略，提升用户体验；
关联推荐：在商品详情页添加“猜你喜欢”“购买该商品的用户还购买了”等关联推荐模块。
四、总结
本文通过 Spring Boot+AI 推荐算法的实战案例，详细讲解了电商推荐系统的搭建过程，包括 Spring Boot 后端服务的搭建、基于协同过滤的 AI 推荐算法实现、跨语言服务调用等核心内容。通过本次实战，我们不仅掌握了相关技术的整合应用，还了解了电商推荐系统的核心逻辑和优化方向。
在实际开发中，需根据业务场景灵活调整技术方案，不断优化算法效果和系统性能，才能构建出真正满足用户需求的个性化推荐系统。希望本文能为你开展电商推荐系统开发提供有价值的参考。
