简体中文

English
日本語
繁體中文
한국어
Español
Français
Deutsch
العربية
Tiếng Việt

简体中文

English
日本語
繁體中文
한국어
Español
Français
Deutsch
العربية
Tiếng Việt

Appearance

Spring Boot 电影推荐系统开发实战 ​

概述 ​

本实战项目要求你围绕一份真实的 PRD，使用 Spring Boot 完成一个带推荐能力的电影网站。这个项目的核心挑战在于：它不是简单的增删改查，而是需要你思考"用户行为如何影响推荐结果"以及"推荐如何可解释"。

这是 Stage 2 的综合实战环节。你将第一次接触"内容 + 行为 + 推荐"型产品的开发模式，这种模式在电商、内容平台、个性化 Feed 等场景中非常常见。

前置知识 ​

在开始本项目之前，你应该已经掌握以下内容：

学习目标 ​

完成本实战后，你将能够：

  1. 阅读 PRD 并从中提取推荐系统的开发任务清单
  2. 使用 Spring Boot 搭建后端项目并实现 RESTful API
  3. 设计"用户行为 → 推荐"的完整数据链路
  4. 实现可解释的推荐逻辑
  5. 完成端到端联调，交付可演示的产品原型

项目简介 ​

你要构建的产品是一个带推荐能力的电影网站：

功能描述
浏览与搜索用户可以浏览和搜索电影
评分与收藏用户可以给电影评分、添加收藏
个性化推荐系统根据用户行为给出推荐结果
管理后台管理员维护电影数据、查看推荐效果

PRD 入口

本项目的需求文档在 GitHub： 查看 PRD

第一部分：需求分析 ​

1.1 阅读 PRD ​

打开 PRD 文档，重点回答以下问题：

  • 推荐策略是什么？第一版是否使用可解释版本（如基于评分相似度）？
  • 用户行为数据要存哪些？（评分、收藏、浏览记录等）
  • 管理员需要看哪些推荐效果指标？
  • 页面清单是否完整？

WARNING

如果以上问题没有明确答案，不要开始写代码。需求理解不清楚是导致返工的最常见原因。

1.2 确认系统架构 ​

mermaid
flowchart TD
  prd["PRD"] --> web["前端页面"]
  web --> auth["用户鉴权"]
  web --> movie["电影列表 / 详情"]
  web --> behavior["评分 / 收藏"]
  behavior --> reco["推荐逻辑"]
  reco --> db["数据库"]
  admin["后台管理"] --> db

第二部分：搭建项目骨架 ​

2.1 生成前端页面 ​

提示词参考：

text
请基于当前 PRD，帮我生成一个 Spring Boot 电影推荐系统的前端骨架。

要求：
1. 页面包括：首页、电影列表、电影详情、推荐页、个人中心、后台管理
2. 先只生成页面结构和假数据，不接真实接口
3. 风格要像真实内容产品，而不是课堂 demo

2.2 验证页面结构 ​

逐项检查：

  • [ ] 电影列表页支持搜索和筛选
  • [ ] 电影详情页包含评分和收藏按钮
  • [ ] 推荐页能展示推荐结果和推荐理由
  • [ ] 管理后台能展示电影数据和推荐效果

第三部分：迭代开发 ​

3.1 按模块推进 ​

  1. Spring Boot 项目搭建：项目结构、数据库配置、基础 CRUD
  2. 电影数据管理：电影列表、详情、搜索接口
  3. 用户行为：评分、收藏接口，行为数据写入
  4. 推荐逻辑：基于用户行为的推荐算法实现
  5. 推荐展示：推荐结果展示，包含推荐理由
  6. 管理后台：电影数据维护、推荐效果查看

3.2 模块自检 ​

检查项验证方法
基础功能列表、详情、评分、收藏是否闭环
推荐联动用户行为是否影响推荐结果
推荐可解释性用户能理解为什么被推荐这些电影
后台数据管理员能查看电影数据和推荐效果

第四部分：联调与上线 ​

4.1 端到端测试 ​

至少验证以下场景：

  • 浏览电影 → 评分 → 收藏 → 查看推荐页，确认推荐结果发生变化
  • 管理员登录 → 添加电影 → 查看推荐效果统计

交付物 ​

完成本项目后，你需要提交以下内容：

  • [ ] 可访问的线上演示链接
  • [ ] 源码仓库链接（含 README）
  • [ ] PRD 文档
  • [ ] 核心页面截图（电影列表、电影详情、推荐页、管理后台）
  • [ ] 60 秒演示视频

评分标准 ​

维度基本要求进阶要求
PRD 对齐页面、功能、数据结构基本符合 PRD能清晰说明设计决策
产品闭环浏览 → 评分 → 收藏 → 推荐可跑通评分行为明显影响推荐结果
推荐质量推荐结果合理、推荐理由可解释支持多种推荐策略
后台能力电影数据和推荐效果可查看有推荐准确率等统计指标
工程完整度前端、Spring Boot 后端、数据库链路已接通推荐接口有缓存或性能优化

参考资料 ​