企业官网建设流程全解析

又是一年毕业设计季，如果你正在做或者准备做计算机毕业设计，最近大概率刷到过一类标题特别“炸”的题目，比如“基于SpringBoot+Thymeleaf+AI推荐的校园课程推荐系统(源码+LW+PPT+讲解)”。这类题目看起来功能齐全、技术栈主流，但每年答辩现场，总有人被同一个问题问倒：你的“推荐”到底是怎么实现的？数据从哪里来？为什么给这个学生推荐这门课，而不推荐另一门课？

很多同学的思路是把“AI大模型”当成主角，第一反应是去调大模型接口，或者从网上复制一份协同过滤源码，结果做出来的系统页面很花哨，逻辑却是断层。真正动手后才会发现，难点不在于接口有多高级，而在于推荐逻辑怎么和课程模块联动，没有用户行为数据时怎么办，推荐结果怎么展示、怎么向评委解释清楚。

这篇文章要讲的，就是一套基于 SpringBoot + Thymeleaf + AI 推荐算法的校园课程推荐系统，从毕业设计的真实痛点出发，把核心原理、数据库建模、SpringBoot 工程实现、Thymeleaf 页面渲染、运行验证和答辩高频问题一次性讲透。我的核心判断是：这套系统的亮点不在于页面多漂亮，而在于“推荐一门课给学生”这个动作是否可解释、可验证。抓住这一点，你的项目就超过了大部分停留在增删改查层面的毕业设计。

1. 这篇文章真正要解决的问题

先说说这类题目为什么每年都很“卷”。

校园课程系统本质上是一个典型的 CRUD 业务系统，无非是用户管理、课程管理、选课退课、成绩查询。如果只把这些功能做完，代码量确实够了，但在答辩时很难展现出技术深度——评委老师看过的课程系统，可能比你吃过的盐还多。于是很多同学会在题目里加一个“智能推荐”“AI课程推荐”的标签，希望通过算法来拉开差距。

但现实是，大部分人在“推荐系统”这个点上只是挂了一个名字：

• 推荐列表是前端写死的；
• 或者随机返回几门课程；
• 或者直接调一个第三方大模型接口，让模型“编”几门课。

这三种做法都经不起追问。评委只要问一句“你用的什么推荐策略？相似度怎么计算的？为什么这么计算？”，如果答不上来，前面的功能做得再好也会被扣分。

所以要解决的核心问题，不是“怎么把项目跑起来”，而是“怎么把推荐系统讲明白”。基于内容推荐、协同过滤、冷启动处理、相似度计算，这些概念必须落到代码里，落到真实的课程标签和选课记录上。本文后面的内容，全部围绕这个目标展开。

如果你正准备做课程推荐相关课题，或者你手里已经有一套课程系统代码，但推荐模块很虚，这篇文章都值得认真看一遍。我不会只讲理论，也不会只贴一堆完整代码，而是把“理论 → 设计 → 代码 → 验证”这条链路打通。

2. 推荐系统的核心原理：先讲清楚再写代码

2.1 不是所有“推荐”都叫推荐系统

推荐系统的本质，是从一堆候选物品里，根据用户的兴趣特征和行为历史，预测用户可能喜欢的物品，并按照预测分数排序返回前 N 个结果。

在校园课程场景里，候选物品就是课程，用户特征就是学生的专业、年级、历史选课和成绩。系统要回答的问题非常具体：这个学生已经学了《Java程序设计》和《数据结构》，他接下来最适合学《数据库原理》还是《计算机网络》？

如果没有推荐系统，传统做法是让学生自己去课程列表里翻，或者按类型筛选。这种方式没有个性化，对用户是不友好的。

2.2 两个主流方向：协同过滤和基于内容

业界最经典的推荐算法有两条路线：

路线一：基于用户的协同过滤（User-Based Collaborative Filtering）

思路是“找相似的人”。先找到和你选课记录最相似的 K 个用户，然后把那些用户选过、而你没选过的课程推荐给你。核心是计算用户与用户之间的相似度。

路线二：基于物品的协同过滤（Item-Based Collaborative Filtering）

思路是“找相似的课”。如果很多选《Java程序设计》的用户也选了《数据结构》，那么这两门课之间的相似度就很高。当用户选过前者，系统就会推荐后者。

路线三：基于内容的推荐（Content-Based Recommendation）

思路是“找你喜欢的类型”。给每门课程打上标签，比如“计算机、编程、AI”，然后统计用户历史选课中哪些标签出现得多，形成用户偏好画像，再计算候选课程标签与用户偏好画像的相似度。

对于校园课程推荐系统，我建议把“基于内容的推荐”作为核心策略。原因有两个：

1. 数据容易解释。课程标签是静态的，用户偏好是从选课记录中统计出来的，每个推荐结果都能说出理由，答辩时特别好讲。
2. 冷启动相对可控。新课程没有选课记录也能靠标签参与推荐；新用户虽然没有历史，但可以用热门课程作为兜底。

当然，如果你时间充足，也可以同时实现一个“基于用户的协同过滤”作为对比，展示你对多种推荐算法的理解。但从第一版落地的角度，先把基于内容推荐做扎实，性价比最高。

2.3 相似度计算：余弦相似度怎么理解

推荐算法落地最关键的一步是相似度计算。以基于内容推荐为例，我们需要把“用户偏好”和“课程特征”变成向量，然后计算两个向量的夹角余弦值。

余弦相似度的公式是：

cos(A, B) = (A · B) / (|A| × |B|)

通俗理解：如果两个向量方向越一致，夹角越小，余弦值越接近 1，说明相似度越高；如果方向完全不相关，余弦值接近 0，说明没什么关联。它不像欧式距离那样看重数值大小，而是看重方向，非常适合描述“兴趣标签是否匹配”。

在课程推荐场景里，我们可以简化向量空间：

• 用户偏好向量：每个标签对应的选择次数；
• 课程特征向量：每门课的标签集合，命中标签记为 1，否则为 0。

然后代入公式计算，就能得到每门候选课程对当前用户的推荐分数。这个分数是可以排序的，也是可以解释的。

2.4 冷启动问题

推荐系统最怕冷启动，也就是没有足够数据时怎么推荐。

校园课程系统里有三类冷启动：

• 新用户没有任何选课记录，无法统计偏好；
• 新课程没有任何人选过，无法通过选课关系计算协同过滤；
• 系统刚上线，数据库里几乎没有用户行为数据。

我的建议是分级处理：新用户直接返回热门课程（按已选人数排序）；新课程如果标签完整，就让它参与基于内容的推荐；如果数据库整体数据太少，可以预先在数据库中准备一批模拟数据，便于演示效果。这不是作弊，而是项目演示和答辩的必要准备。

3. 系统功能规划与数据库设计

3.1 功能模块划分

第一版系统建议控制范围，把主链路做通即可：

• 用户模块：注册、登录、个人信息维护；
• 课程模块：课程列表、课程详情、关键词搜索；
• 选课模块：选课、退课、我的课表；
• 推荐模块：根据用户历史选课生成推荐列表、展示推荐理由；
• 管理后台：课程管理、用户管理、基础数据统计。

推荐模块是核心，其他模块是为它服务的。如果时间不够，先把“我的推荐”页面做好，再补课程管理后台。

3.2 数据库表设计

数据库设计直接决定推荐算法能不能顺利实现。我建议至少设计三张表：用户表、课程表、用户选课记录表。

用户表t_user：

CREATE TABLE `t_user` ( `id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '用户ID', `username` VARCHAR(50) NOT NULL COMMENT '登录账号', `password` VARCHAR(100) NOT NULL COMMENT '登录密码，建议BCrypt加密存储', `real_name` VARCHAR(50) DEFAULT NULL COMMENT '真实姓名', `stu_no` VARCHAR(20) DEFAULT NULL COMMENT '学号', `major` VARCHAR(50) DEFAULT NULL COMMENT '专业', `grade` VARCHAR(10) DEFAULT NULL COMMENT '年级', `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`), UNIQUE KEY `uk_username` (`username`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户表';

课程表t_course：

CREATE TABLE `t_course` ( `id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '课程ID', `course_name` VARCHAR(100) NOT NULL COMMENT '课程名称', `course_type` VARCHAR(50) NOT NULL COMMENT '课程类型：公共课/专业课/选修课', `credit` DECIMAL(3,1) NOT NULL COMMENT '学分', `teacher` VARCHAR(50) DEFAULT NULL COMMENT '授课教师', `major` VARCHAR(50) DEFAULT NULL COMMENT '建议修读专业', `tags` VARCHAR(255) DEFAULT NULL COMMENT '课程标签，逗号分隔，如 计算机,数学,AI', `description` TEXT COMMENT '课程简介', `select_count` INT DEFAULT 0 COMMENT '已选人数，用于热度推荐', `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`), KEY `idx_course_type` (`course_type`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='课程表';

用户选课记录表t_user_course：

CREATE TABLE `t_user_course` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL COMMENT '用户ID', `course_id` BIGINT NOT NULL COMMENT '课程ID', `score` DECIMAL(4,1) DEFAULT NULL COMMENT '成绩，未出分时为NULL', `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '选课时间', PRIMARY KEY (`id`), KEY `idx_user_id` (`user_id`), KEY `idx_course_id` (`course_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户选课记录表';

这里有两个设计点需要说明。

第一，tags字段用逗号分隔字符串存储。这在正规系统中可能不够规范，但毕业设计场景里，这种设计能大幅简化推荐逻辑的复杂度。你不需要再建一张课程标签中间表，直接拆字符串即可。

第二，select_count字段是一个冗余字段，用于热度推荐。虽然可以在查询时通过t_user_course统计，但每次实时统计会增加查询压力。为了方便演示和答辩，在选课成功后对这个字段做+1更新是很务实的做法。

除了这三张表，严谨的推荐系统通常还会记录用户的浏览行为、搜索记录、收藏记录。第一版可以不建，但你要知道这是后续优化方向。

4. 环境准备与前置条件

开始写代码之前，先把环境理清楚。

本文的工程示例基于以下技术栈，版本以你实际项目为准：

• JDK：1.8 或 11（如果使用 Spring Boot 3.x，需要 JDK 17）；
• Spring Boot：2.7.x（稳定常用，教程多，踩坑少）；
• Thymeleaf：Spring Boot 内置 starter 管理版本；
• MyBatis：mybatis-spring-boot-starter 2.3.x；
• MySQL：5.7 或 8.0；
• Maven：3.6 以上；
• IDE：IntelliJ IDEA 即可。

这里特别提醒一点：不要盲目追求 Spring Boot 最新大版本。很多同学一创建项目就选了最新版，结果发现 Thymeleaf 的配置方式、依赖坐标跟网上教程对不上，浪费大量时间。初学阶段，建议选择一个稳定、文档丰富的大版本，先把项目跑通，再考虑升级。

如果你使用 Spring Boot 3.x，需要注意两个变化：

• MyBatis Starter 要选择mybatis-spring-boot-starter的 3.x 版本；
• javax包改成了jakarta包，代码中引入注解时要注意。

本文代码按 MyBatis 注解方式编写，省去 XML 配置，适合第一版快速落地。

5. 核心代码实现与关键逻辑精讲

5.1 依赖与基础配置

创建 Spring Boot 项目后，pom.xml中至少需要以下依赖：

<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>org.mybatis.spring.boot</groupId> <artifactId>mybatis-spring-boot-starter</artifactId> <version>2.3.2</version> </dependency> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-j</artifactId> <scope>runtime</scope> </dependency> </dependencies>

如果你用的是 Spring Boot 3.x，请到 Maven 仓库查看最新mybatis-spring-boot-starter版本，不要照抄 2.3.2。

再看application.yml配置：

# 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/course_recommend?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: your_password thymeleaf: cache: false encoding: UTF-8 mode: HTML mybatis: configuration: map-underscore-to-camel-case: true

map-underscore-to-camel-case建议开启，这样数据库里的course_name可以自动映射为 Java 实体里的courseName，少写很多麻烦。

5.2 实体类与 Mapper 层

课程实体类：

// 文件路径：src/main/java/com/example/courserecommend/entity/Course.java public class Course { private Long id; private String courseName; private String courseType; private Double credit; private String teacher; private String major; private String tags; private String description; private Integer selectCount; // getter / setter 省略，建议用 Lombok 的 @Data 简化 }

用户课程 Mapper，负责查询用户选课历史和候选课程：

// 文件路径：src/main/java/com/example/courserecommend/mapper/UserCourseMapper.java @Mapper public interface UserCourseMapper { // 查询用户已经选过的课程 @Select("SELECT c.* FROM t_course c " + "INNER JOIN t_user_course uc ON c.id = uc.course_id " + "WHERE uc.user_id = #{userId}") List<Course> selectCoursesByUserId(@Param("userId") Long userId); // 查询用户没有选过的课程（候选推荐池） @Select("SELECT * FROM t_course WHERE id NOT IN " + "(SELECT course_id FROM t_user_course WHERE user_id = #{userId})") List<Course> selectCoursesNotSelectedByUser(@Param("userId") Long userId); // 查询热门课程，用于冷启动 @Select("SELECT * FROM t_course ORDER BY select_count DESC LIMIT #{limit}") List<Course> selectHotCourses(@Param("limit") int limit); }

这段 SQL 里最关键的是第二条。它先把当前用户已经选过的课程 ID 查出来，再用NOT IN排除，剩下的就是候选推荐池。这种写法性能不一定最好，但逻辑直白，适合作为毕设第一版。

5.3 推荐服务核心逻辑

这是整个系统最有技术含量的部分。推荐服务要做四件事：

1. 查用户历史选课；
2. 统计用户标签偏好；
3. 遍历候选课程，计算相似度；
4. 排序返回 Top N。

推荐结果 VO：

// 文件路径：src/main/java/com/example/courserecommend/vo/CourseRecommendVO.java public class CourseRecommendVO { private Course course; private Double score; private String reason; // getter / setter 省略 }

核心推荐逻辑：

// 文件路径：src/main/java/com/example/courserecommend/service/impl/RecommendServiceImpl.java @Service public class RecommendServiceImpl implements RecommendService { private final CourseMapper courseMapper; private final UserCourseMapper userCourseMapper; public RecommendServiceImpl(CourseMapper courseMapper, UserCourseMapper userCourseMapper) { this.courseMapper = courseMapper; this.userCourseMapper = userCourseMapper; } @Override public List<CourseRecommendVO> recommendByUser(Long userId, int topN) { // 1. 查询用户已经选过的课程 List<Course> historyCourses = userCourseMapper.selectCoursesByUserId(userId); // 2. 没有选课记录时，采用热度推荐兜底，避免冷启动空白 if (historyCourses == null || historyCourses.isEmpty()) { return convert(courseMapper.selectHotCourses(topN), "新用户暂无选课记录，先看看热门课程"); } // 3. 统计用户的标签偏好：标签 -> 选择次数 Map<String, Integer> tagPreference = new HashMap<>(); for (Course course : historyCourses) { for (String tag : splitTags(course.getTags())) { tagPreference.put(tag, tagPreference.getOrDefault(tag, 0) + 1); } } // 4. 候选课程：用户没有选过的课程 List<Course> candidateCourses = userCourseMapper.selectCoursesNotSelectedByUser(userId); // 5. 计算每个候选课程与用户偏好的相似度 List<CourseRecommendVO> result = new ArrayList<>(); for (Course course : candidateCourses) { double score = cosineScore(course, tagPreference); CourseRecommendVO vo = new CourseRecommendVO(); vo.setCourse(course); vo.setScore(score); vo.setReason(buildReason(course, tagPreference)); result.add(vo); } // 6. 按相似度降序，输出前 topN 条 result.sort((a, b) -> Double.compare(b.getScore(), a.getScore())); if (result.size() > topN) { return result.subList(0, topN); } return result; } /** * 余弦相似度计算。 * 简化思路：以用户偏好标签集合作为向量空间， * 用户向量 = 标签选择次数，课程向量 = 标签是否出现（0/1）。 */ private double cosineScore(Course course, Map<String, Integer> userPreference) { List<String> courseTags = splitTags(course.getTags()); if (courseTags.isEmpty() || userPreference.isEmpty()) { return 0D; } double dot = 0D; double normUser = 0D; for (Map.Entry<String, Integer> entry : userPreference.entrySet()) { normUser += entry.getValue() * entry.getValue(); if (courseTags.contains(entry.getKey())) { dot += entry.getValue(); } } // 课程向量中每个标签记为 1，模长就是 sqrt(标签数) double normCourse = courseTags.size(); if (normUser == 0D || normCourse == 0D) { return 0D; } return dot / (Math.sqrt(normUser) * Math.sqrt(normCourse)); } /** * 生成推荐理由，让推荐结果可解释。 */ private String buildReason(Course course, Map<String, Integer> tagPreference) { List<String> courseTags = splitTags(course.getTags()); List<String> matched = courseTags.stream() .filter(tagPreference::containsKey) .collect(Collectors.toList()); if (matched.isEmpty()) { return "根据课程热度为你推荐"; } return "匹配你的兴趣标签：" + String.join("、", matched); } private List<String> splitTags(String tags) { if (tags == null || tags.trim().isEmpty()) { return Collections.emptyList(); } return Arrays.stream(tags.split(",")) .map(String::trim) .filter(s -> !s.isEmpty()) .collect(Collectors.toList()); } private List<CourseRecommendVO> convert(List<Course> courses, String reason) { List<CourseRecommendVO> list = new ArrayList<>(); for (Course course : courses) { CourseRecommendVO vo = new CourseRecommendVO(); vo.setCourse(course); vo.setScore(0D); vo.setReason(reason); list.add(vo); } return list; } }

有几个细节值得说明。

第一，cosineScore里的向量空间做了简化。真正的余弦相似度，应该把“用户偏好标签集合”和“课程标签集合”的并集作为统一的向量空间。但在工程实现中，因为候选课程的标签如果不在用户偏好集合中，它的向量分量就是 0，对点积没有贡献，对排序结果影响不大，所以可以先按用户偏好集合近似计算。如果答辩时被问到，你可以坦诚说明这是工程近似，并说出完整理论公式，反而显得到位。

第二，buildReason非常关键。它让每个推荐结果都有了可解释的理由：“匹配你的兴趣标签：计算机、编程”。这比单纯显示一个相似度分数高明得多，评委会觉得你的系统有业务思考。

第三，冷启动兜底逻辑直接放在推荐服务里。用户没有选课记录时，返回热门课程，系统不会出现空白页面。这是很实际的产品意识。

5.4 Controller 层与 Thymeleaf 模板

Controller 层返回 Thymeleaf 视图：

// 文件路径：src/main/java/com/example/courserecommend/controller/RecommendController.java @Controller @RequestMapping("/recommend") public class RecommendController { private final RecommendService recommendService; public RecommendController(RecommendService recommendService) { this.recommendService = recommendService; } @GetMapping("/my") public String myRecommend(@RequestParam(defaultValue = "1") Long userId, @RequestParam(defaultValue = "6") int topN, Model model) { List<CourseRecommendVO> recommendList = recommendService.recommendByUser(userId, topN); model.addAttribute("recommendList", recommendList); return "recommend"; } }

注意这里的userId在真实系统中应该从登录 Session 中获取，而不是通过请求参数传进来。第一版为了演示方便，可以先用固定用户，但答辩时最好说明“正式环境会从 Session 获取当前登录用户 ID”。

Thymeleaf 模板：

<!-- 文件路径：src/main/resources/templates/recommend.html --> <!DOCTYPE html> <html xmlns:th="http://www.thymeleaf.org"> <head> <meta charset="UTF-8"> <title>AI 课程推荐</title> </head> <body> <h1>为你推荐的课程</h1> <!-- 冷启动提示 --> <div th:if="${#lists.isEmpty(recommendList)}"> <p>暂时没有推荐结果，请先去课程中心选几门课吧。</p> </div> <!-- 推荐列表 --> <div class="course-grid" th:unless="${#lists.isEmpty(recommendList)}"> <div class="course-card" th:each="item : ${recommendList}" th:object="${item.course}"> <h3 th:text="${item.course.courseName}">课程名称</h3> <p>课程类型：<span th:text="${item.course.courseType}">类型</span></p> <p>学分：<span th:text="${item.course.credit}">学分</span></p> <p>授课教师：<span th:text="${item.course.teacher}">教师</span></p> <p>推荐理由：<span th:text="${item.reason}">推荐理由</span></p> <p>推荐指数：<span th:text="${#numbers.formatDecimal(item.score, 1, 2)}">0.00</span></p> <button th:onclick="'selectCourse(\'' + ${item.course.id} + '\')'">选这门课</button> </div> </div> <script> function selectCourse(courseId) { if (confirm("确认选择这门课程？")) { window.location.href = "/course/select/" + courseId; } } </script> </body> </html>

Thymeleaf 和 JSP 的最大区别在于，Thymeleaf 是 HTML 文件，可以直接用浏览器打开预览，不需要容器渲染也能看到页面骨架。这对前后端联调和毕业设计展示都很友好。

5.5 如果想把“AI大模型”真正做进去

现在回到标题里的“AI大模型”。很多同学纠结：我到底是接一个 ChatGPT 接口，还是自己写推荐算法？

我的建议是先把推荐算法做好，再考虑大模型扩展。实际上，如果你非要让系统和大模型沾边，可以在推荐模块之外增加一个“课程问答助手”功能，让大模型根据课程描述生成学习计划、课程简介或选课建议。这种功能适合作为 PPT 里的展示亮点，但不适合作为核心推荐链路的依赖。原因很简单：大模型接口不稳定、有调用成本，一旦超时，整个推荐页面就崩了。

如果真要扩展，比较稳妥的做法是先用本地假数据模拟大模型返回结果，把流程跑通，再接入真实接口。同时一定要做好超时和异常降级，不能影响主流程。

6. 运行结果与效果验证

6.1 初始化演示数据

推荐系统没有数据就谈不上推荐效果。建议在数据库里准备一组有区分度的演示数据，让答辩现场一打开页面就能看到效果。

例如：

• 用户 A 选过《Java程序设计》《数据结构》，标签偏向“计算机、编程”；
• 用户 B 选过《大学英语》《中国近代史》，标签偏向“英语、人文”；
• 课程库里同时存在计算机类、数学类、外语类课程。

这样两个用户打开“我的推荐”页面时，推荐结果会有明显差异，演示效果会非常直观。

6.2 启动项目并验证

项目启动命令：

mvn spring-boot:run

启动成功后，浏览器访问：

http://localhost:8080/recommend/my?userId=1&topN=6

预期结果：

• 用户有选课记录时，页面返回按相似度降序排列的课程；
• 每门课都显示“匹配你的兴趣标签：XXX”的推荐理由；
• 推荐指数越高的课程，排在越靠前；
• 新用户没有选课记录时，推荐列表返回热门课程。

如果页面空白，先看控制台日志有没有报错，再看数据库连接是否正常。如果 MySQL 8.0 的驱动包不正确，启动阶段就会直接报错。

6.3 验证相似度排序是否合理

可以人为构造一个最简单的验证场景。假设用户选过两门课，偏好标签为“计算机=2、编程=1”。候选课程《数据库原理》标签是“计算机,数据库”，计算出来的分数应该明显高于《大学物理》这种和计算机无关的课程。

这种可解释的验证过程，在毕业设计论文中是非常好的实验素材。你可以把计算过程、分数对比、排序结果截图放进论文，作为系统效果展示。

7. 常见问题与排查方法