1. 项目背景与核心需求
酒水电商行业近年来呈现爆发式增长，2023年全球在线酒水销售额突破580亿美元。对于计算机专业毕业生而言，开发一个Java实现的智能酒水销售系统既能展示全栈开发能力，又能切入热门电商赛道。这个毕设项目的核心在于构建一个包含智能推荐、交易风控和库存管理的完整电商解决方案。
传统酒水销售系统普遍存在三个痛点：商品推荐精准度低、防欺诈机制薄弱、库存同步延迟。我们的系统需要实现：
- 基于用户画像的实时推荐算法
- 多维度交易风险识别（如频繁下单检测）
- 分布式库存的强一致性保证
提示：选择Java作为开发语言时，建议采用Spring Boot 3.x+JDK17组合，这是目前企业级开发的主流技术栈，既能满足毕设的技术先进性要求，又便于后续扩展为真实商用系统。
2. 系统架构设计
2.1 技术栈选型分析
后端采用分层架构：
- Web层：Spring Boot 3.1.5（内嵌Tomcat 10.1+）
- 服务层：Spring Cloud 2022.0.4（含OpenFeign、Hystrix）
- 数据层：MyBatis-Plus 3.5.3 + MySQL 8.0（读写分离）
- 缓存：Redis 7.0（集群模式）
前端技术组合：
- 基础框架：Vue 3.3 + Element Plus 2.3
- 构建工具：Vite 4.3
- 可视化：ECharts 5.4（销售数据展示）
2.2 微服务拆分方案
将系统拆分为六个微服务：
- 用户服务（含权限、会员体系）
- 商品服务（SKU管理、智能推荐）
- 订单服务（交易核心流程）
- 支付服务（对接第三方支付）
- 风控服务（规则引擎决策）
- 库存服务（分布式事务管理）
每个服务独立数据库，通过Nacos 2.2实现服务注册发现。这种设计在毕设演示时可以通过Docker Compose一键启动，也符合企业级应用的标准架构。
3. 核心功能实现细节
3.1 智能推荐系统实现
采用混合推荐策略：
// 基于内容的推荐算法示例 public List<Product> contentBasedRecommend(User user) { // 1. 提取用户历史行为特征 UserProfile profile = profileService.buildProfile(user.getId()); // 2. 计算商品特征相似度 return productService.findAll().stream() .sorted(Comparator.comparingDouble(p -> cosineSimilarity(profile.getPrefVector(), p.getFeatureVector()))) .limit(10) .collect(Collectors.toList()); } // 协同过滤补充 public List<Product> cfRecommend(Long userId) { // 使用Mahout库实现 DataModel model = new FileDataModel(new File("ratings.csv")); UserSimilarity similarity = new PearsonCorrelationSimilarity(model); return recommender.recommend(userId, 10); }实际部署时需要处理冷启动问题，我们的解决方案是：
- 新用户注册时强制填写口味偏好问卷
- 采用热销商品作为默认推荐
- 实时监控CTR调整算法权重
3.2 交易风控模块设计
风控规则引擎采用Drools 7.73实现，关键规则包括：
| 规则类型 | 触发条件 | 处置措施 |
|---|---|---|
| 高频下单 | 5分钟内>3笔同商品订单 | 强制人工审核 |
| 异地登录 | 登录IP与常用地不符 | 二次验证 |
| 价格异常 | 订单金额低于市场价30% | 冻结交易 |
规则配置界面采用可视化设计，便于毕设演示时动态调整阈值。核心检测逻辑：
public RiskCheckResult checkOrder(Order order) { KieSession session = kieContainer.newKieSession(); session.insert(order); session.insert(order.getUser()); session.fireAllRules(); return order.getRiskResult(); }4. 关键技术难点解决方案
4.1 库存超卖问题处理
采用Redis+Lua脚本实现分布式锁：
-- inventory.lua local key = KEYS[1] local change = tonumber(ARGV[1]) local current = tonumber(redis.call('GET', key)) if current >= change then redis.call('DECRBY', key, change) return 1 else return 0 endJava调用示例：
public boolean deductStock(String productCode, int num) { String script = ResourceUtils.getScript("inventory.lua"); Long result = redisTemplate.execute( new DefaultRedisScript<>(script, Long.class), Collections.singletonList("stock:" + productCode), String.valueOf(num)); return result == 1; }4.2 分布式事务一致性
订单创建采用Saga模式：
- 订单服务：创建预订单（状态为PENDING）
- 库存服务：预扣减库存
- 支付服务：处理支付
- 最终确认（或补偿）
使用Seata 2.0实现事务协调：
@GlobalTransactional public Order createOrder(OrderDTO dto) { // 1. 创建订单记录 Order order = orderMapper.create(dto); // 2. 扣减库存 inventoryFeignClient.deduct(dto.getSku(), dto.getQuantity()); // 3. 发起支付 paymentFeignClient.create(order.getId(), dto.getAmount()); return order; }5. 毕设开发实践建议
5.1 版本控制策略
建议采用Git Flow工作流：
- master分支：仅存放稳定版本（用于答辩演示）
- develop分支：日常开发主干
- feature分支：每个功能独立开发
- hotfix分支：紧急问题修复
.gitignore需要特别配置：
# IDE相关 .idea/ *.iml # 构建输出 target/ dist/ # 本地配置文件 application-local.yml5.2 性能优化技巧
- 接口响应时间优化：
- 启用MyBatis二级缓存
- 使用@Cacheable注解缓存热点数据
- 添加Gzip压缩（spring.compression.enabled=true）
- 前端加载优化：
- 路由懒加载
- 图片使用WebP格式
- 启用HTTP/2服务器推送
- 压力测试建议：
- 使用JMeter模拟200并发用户
- 重点测试下单接口TPS
- 监控JVM内存使用情况（-Xmx建议设为512MB）
6. 答辩准备要点
6.1 演示场景设计
建议准备三个典型用户旅程：
- 普通用户：浏览->加购->下单->支付
- 管理员：商品上架->订单审核->数据统计
- 风控案例：触发规则->人工干预
每个场景应准备脚本数据：
-- 测试用户 INSERT INTO users VALUES(1,'normal@test.com','$2a$10$xV4...',0); -- 测试商品 INSERT INTO products VALUES(1001,'茅台飞天',1599.00,100);6.2 常见问题应对
技术类问题准备：
- 如何保证推荐算法的实时性？（答案：使用Redis实时更新用户特征向量）
- 系统最大支持多少并发？（答案：实测数据+水平扩展方案）
- 为什么选择Drools而不是自己写规则引擎？（答案：声明式编程效率高）
项目意义类问题：
- 与现有电商平台的区别？（突出智能推荐和风控特色）
- 商业落地的可能性？（从酒水行业特殊性切入）
我在实际开发中发现，使用Lombok插件可以大幅减少样板代码，但需要特别注意：
- 确保IDE安装了Lombok插件
- 编译参数添加-javaagent:lombok.jar
- 避免在实体类中使用@Builder导致JSON序列化问题
对于需要快速原型演示的功能，可以考虑使用Mock数据：
@Profile("dev") @RestController public class MockController { @GetMapping("/api/products") public List<Product> mockProducts() { return IntStream.range(1,10) .mapToObj(i -> new Product(i, "商品"+i, i*100, i*10)) .collect(Collectors.toList()); } }
