**各位码友大家好，**本人深耕计算机专业毕设多年，主营全方向计算机毕业设计开发、文档撰写、项目调试、答辩辅导全流程服务。
一、可承接技术方向
1. 后端开发类 Java SpringBoot/SSM、Python Django/Flask、PHP、C# .NET、Node.js、Go
2. 前端 & 小程序类 Vue、UniApp 微信小程序、HTML 网页、Electron 桌面端、安卓 APP
3. 大数据 & 云计算 Hadoop、Hive、Spark、Flink、数据仓库、数据分析可视化
4. 人工智能 & 深度学习（热门） YOLO 目标检测、机器学习、LLM 大语言模型、图像识别、病虫害检测、人体姿态识别、情感分析
5. 数据库类 MySQL、SQL Server、Redis、MongoDB
二、配套完整交付内容
✅ 可直接运行完整源码（环境配置教程 + 部署视频）
✅ 全套毕业论文（开题报告 + 中期 + 一万字正文 + 参考文献）
✅ 答辩 PPT、功能演示录屏、答疑话术
✅ 免费远程调试、改 bug、功能微调
三、适用专业
计算机科学与技术、软件工程、大数据、人工智能、网络工程、物联网、信息管理等本科/专科计算机相关专业。
摘要
校园二手交易领域面临信息过载与供需匹配效率低下的双重困境。传统交易平台采用分类浏览与关键词检索模式，用户需要主动筛选大量无关商品，交易转化率受到严重制约。推荐系统技术的引入为解决这一问题提供了新思路。协同过滤算法通过挖掘用户行为数据中的潜在模式，能够主动推送符合个体偏好的商品信息，降低信息获取成本。校园场景具有用户群体集中、物品流转频率高、社交关系紧密等特点，为推荐算法的应用提供了理想环境。本研究设计并实现了一个基于协同过滤的校园二手物品智能推荐系统。系统采用Django作为后端开发框架，Vue构建前端交互界面，MySQL管理业务数据。通过分析用户的历史浏览记录、收藏行为与购买偏好，系统能够生成个性化的商品推荐列表。功能模块涵盖商品管理、交易订单处理、评价体系构建、需求发布与在线沟通等完整的二手交易链条。测试结果表明，推荐机制能够有效提升用户发现目标商品的效率，交易匹配的准确性得到明显改善。该系统为校园闲置资源的高效流转提供了可行的技术方案。
**关键词：**协同过滤；校园二手交易；智能推荐；Django；个性化服务
Abstract
The campus second-hand transaction field faces challenges in information overload and inefficient supply-demand matching. Traditional platforms rely on category browsing and keyword search, forcing users to actively filter numerous irrelevant items. This approach limits transaction conversion rates. Recommendation system technology offers a new solution by mining latent patterns in user behavior data to proactively push personalized item information. Campus environments feature concentrated user groups, high item circulation frequency, and dense social relationships, creating ideal conditions for recommendation algorithm application. This research designs and implements a collaborative filtering based intelligent recommendation system for campus second-hand items. The system adopts Django as the backend framework, Vue for frontend interface construction, and MySQL for business data management. By analyzing user browsing history, collection behavior, and purchase preferences, the system generates personalized item recommendation lists. Functional modules cover complete second-hand transaction processes including item management, transaction order processing, evaluation system construction, demand publishing, and online communication. Test results demonstrate that the recommendation mechanism effectively improves user efficiency in discovering target items, with obvious improvements in transaction matching accuracy. This system provides a feasible technical solution for efficient campus idle resource circulation.
**Key Words:**Collaborative Filtering; Campus Second-hand Transaction; Intelligent Recommendation; Django; Personalized Service
第一章 绪论
1.1 研究背景与意义
校园二手物品交易领域存在着资源闲置率高和信息匹配效率低这两个主要矛盾。高等教育机构每年都会产生大量的闲置物品，从教材教辅、电子产品、生活用品、体育器材等各方面都有。传统的线下交易方式是通过公告栏张贴、跳蚤市场摆摊或者社交群组发布来实现信息的传播，信息的传播范围小，交易撮合依靠偶然性。在线分类信息平台虽然扩大了信息的覆盖面，但是也产生了新的问题，海量的商品信息以列表的形式平铺显示出来，用户需要花费大量的精力去筛选1。当商品数量达到一定的规模之后，效率就会急剧下降。推荐系统的最大价值就是把信息获取的方式由被动检索变为主动推送。协同过滤算法就是分析用户群体的行为相似性来预测一个用户对没有接触过的商品的喜爱程度2。校园环境具有用户身份可以验证、行为数据容易收集、物品类别比较集中等特点，给推荐算法的训练和优化提供高质量的数据基础3。开发一个集智能推荐功能于一体的校园二手交易平台，可以从根本上提高供需双方的对接效率，有很强的实际应用价值和现实意义。
本系统各方面都存在着明显的优势。买家不用再重复输入关键词来查找，系统会根据历史行为自动生成个性化的推荐列表，信息获取途径被大大缩减。卖家发布商品之后，推荐引擎就会将商品信息推送到潜在消费者的面前，曝光效率比被动等待检索高得多。交易匹配的准确程度越高，转化率就越高，闲置物品的流转速度就越快，资源配置就越合理。就行业而言，校园二手交易平台成功案例可以给其它垂直领域推荐系统的创建给予参照。社区闲置物品交换、企业内部物资流转、特定兴趣圈层物品共享等场景可以参照本文所构建的系统架构以及算法的选择。信息化程度提高不只是交易效率的提高，也是数据价值的挖掘和利用。平台所积累下来的用户行为数据，反过来可以改善推荐模型，从而产生出数据驱动业务增长的良性循环。该种模式对于促进循环经济发展、倡导绿色消费理念有着积极的社会意义。
1.2 国内外研究现状
国内校园二手交易平台由最初的简单信息发布发展为现在的智能交易服务。早期形态以BBS二手板块、门户网站分类信息为主，商品展示为单一的图文列表形式，用户需要浏览所有帖子或者使用关键词检索才能找到自己想要的商品，交易双方依靠站内信或者联系方式自行联系。赵壮认为推荐算法在校园场景中应用还处于起步阶段，大部分平台还是采用传统的检索排序方式3。随着移动互联网的普及，以"闲鱼"为代表的综合型二手交易平台兴起，校园用户也渐渐习惯了在平台上完成交易闭环。唐瑛从服务设计的角度出发，对校园二手书籍交易平台的用户体验问题进行了分析，认为目前的平台对于需求的识别以及精准推送存在着明显的不足4。殷梅雨等对"互联网+"背景下校园二手交易平台进行了系统的调查研究，发现用户对于个性化推荐的需求比较强烈，但是真正能够实现个性化推荐的平台很少5。曹振兴等在绿色校园创建框架之下研究二手交易平台的环境价值，认为技术手段可以推动资源循环6。高耀等人的研究用"校易集市"来展示基于Web的校园二手交易平台实践，证明了线上交易模式在校园场景中是可行的7。目前我国的研究大多集中在算法的应用上，大部分研究都集中于平台功能的创建和商业模式的探索，对于推荐系统深度整合的重视程度不高。
国外二手交易相关的平台发展脉络是由社交化向数据驱动发展。早期平台依靠社交媒体的属性来建立用户关系和互动数据，交易行为就存在于社交网络当中。伴随着大数据技术的发展，平台也对用户的浏览时长、点击序列、收藏喜好等行为数据进行了收集，并且建立了用户画像来开展个性化的推荐工作。Zirong L、Yanbin L在校园卫生间的匿名禁烟提醒系统设计中提出用物联网和行为分析相结合的方法，该数据采集思路可以应用到二手交易场景下的用户行为跟踪上8。Linxuan L对校园智能车辆硬件系统优化研究发现，嵌入式设备和数据处理模块一起工作可以实现实时响应，类似的架构思想也适合于推荐系统在线推理模块9。Nie H设计并实现了一个校园运动会管理系统，其中有关多角色权限分离、业务流程数字化的经验对二手交易平台功能的设计有借鉴意义10。张杰、李涛在二手房数据分析系统研究中使用了统计分析方法来评价房产价值，其分析框架可以进行修改，用作二手商品定价的参照和热度预测11。赵乔等人的研究认为，数据驱动的决策在校园管理中有着非常大的作用，它同样适用于二手交易市场，即通过用户的购买行为来实现智能推荐。国外平台对于推荐算法和商业生态的融合程度比国内要深得多，在跨平台数据打通、实时推荐响应等各方面的经验也更加丰富。
1.3 研究内容
本文的主要工作就是设计并实现一个基于协同过滤算法的校园二手物品智能推荐系统。研究是从需求分析入手，确定普通用户和管理员两种角色的功能边界。普通用户需要完成注册登录、商品浏览和检索、商品发布和管理、交易订单处理、在线沟通、需求发布、评价查看等操作。管理员对商品进行审核，对评价进行管理，对需求发布进行审核，对敏感词进行过滤，对公告信息进行维护。系统架构为前后端分离，Django提供RESTful API接口，Vue完成页面渲染和用户交互，MySQL存储业务数据。协同过滤推荐模块是系统的主要功能，根据用户的收藏行为、浏览记录、购买历史等计算出物品的相似度以及用户的兴趣度，从而得到个性化的推荐列表。研究侧重点是把推荐算法和交易流程结合起来，保证推荐结果可以自然地嵌入到用户的操作路径当中，而不是作为一个独立的功能存在。数据库设计符合第三范式原则，对商品表、订单表、用户表、评价表、需求表等主要实体做规范化建模。测试阶段用黑盒测试的方法来检验功能是否正确、推荐是否准确、系统是否稳定等各个方面的质量。最终的交付物为完整的可运行系统原型、数据库设计文档、测试报告和用户操作手册。整体的研究方法按照软件工程的标准流程，分为需求分析、系统设计、编码实现、测试验证这四个环节，形成一个完整的闭环。
第二章 相关技术介绍
2.1 Django框架
Django用MTV模型模板视图架构来组织代码模块。在请求响应机制里13框架把HTTP请求映射到对应的视图函数上，由url调度器来完成。视图层主要是业务逻辑处理，从数据库中获取数据之后再传给模板引擎进行渲染。该框架自带对象关系映射组件，开发者用Python类定义数据模型，ORM自动生成SQL语句完成数据库操作。交易订单生成场景中，视图函数接收前端提交的订单数据，调用模型层进行数据校验和持久化存储。ORM机制把商品信息、用户数据、订单记录这些业务对象映射成关系型数据库里的元组。中间件组件会在请求到达视图之前进行预处理，可以实现用户认证、请求日志、跨站请求防护等。模板系统具有继承性，基础模板定义页面框架，子模板填充具体内容区域。管理后台根据模型定义来生成数据管理界面，管理员可以在这个界面上进行商品审核、敏感词设置、公告发布等操作。表单组件具有数据验证的功能，对用户提交的注册信息、商品描述、需求内容等进行格式检查和完整性检验。
2.2 Vue前端框架
Vue用MTV模型模板视图架构来组织代码模块。在请求响应机制里13框架把HTTP请求映射到对应的视图函数上，由url调度器来完成。视图层主要是业务逻辑处理，从数据库中获取数据之后再传给模板引擎进行渲染。该框架自带对象关系映射组件，开发者用Python类定义数据模型，ORM自动生成SQL语句完成数据库操作。交易订单生成场景中，视图函数接收前端提交的订单数据，调用模型层进行数据校验和持久化存储。ORM机制把商品信息、用户数据、订单记录这些业务对象映射成关系型数据库里的元组。中间件组件会在请求到达视图之前进行预处理，可以实现用户认证、请求日志、跨站请求防护等。模板系统具有继承性，基础模板定义页面框架，子模板填充具体内容区域。管理后台根据模型定义来生成数据管理界面，管理员可以在这个界面上进行商品审核、敏感词设置、公告发布等操作。表单组件具有数据验证的功能，对用户提交的注册信息、商品描述、需求内容等进行格式检查和完整性检验。
2.3 MySQL数据库
MySQL是客户端服务器结构，服务端进程监听端口来接收查询请求。查询处理器对SQL语句进行解析，得到执行计划，优化器根据表统计信息选择索引访问路径15。存储引擎层主要是对数据进行物理存储和检索，InnoDB引擎可以实现事务处理以及外键约束。在商品数据操作场景中，插入语句把商品编号、名称、价格、描述、图片路径等字段写入到数据页上。B+树索引结构加快了等值查询和范围检索，商品分类字段上创建的索引使得WHERE category='电子产品'的条件过滤很快找到目标行。事务日志保存数据的修改操作，系统崩溃时用重做日志恢复未持久化的变更。连接池管理客户端会话，复用已经建立好的连接来降低握手开销。查询缓存存储的是SELECT语句以及它的结果集，相同的查询再执行的时候就会直接从缓存中获取结果。视图功能把复杂的查询变成虚拟表，评价统计视图把买家评价等级和商品评分的平均值聚合起来。触发器在某个事件发生的时候自动执行，订单状态改变之后触发器就将商品的库存数量同步到数据库中。存储过程把多条SQL语句放在服务器端运行，减少客户端和数据库之间来回的数据传输次数。
2.4 协同过滤推荐算法
协同过滤算法依靠用户行为的一致性假设，即认为过去和现在一样行为一致的用户未来也一样会保持相似的喜好。算法分为基于用户和基于物品两种。根据用户之间的协同过滤计算出目标用户与其它用户之间的兴趣相似度，选取最相似的几个用户组成邻居集合16。邻居用户偏好商品经过聚合加权之后得到推荐列表。在校园二手交易场景中，用算法分析用户的收藏、浏览、购买行为来建立用户与物品的评分矩阵。余弦相似度公式是计算两个用户评分向量的夹角余弦值，皮尔逊相关系数是考虑用户评分的总体偏移。基于物品的协同过滤计算物品间的共现频率，用户购买或者收藏某商品之后，系统就会推荐和该商品高度相似的其它物品。物品相似度是通过对所有用户对两个物品评分模式进行分析而得出的。矩阵分解技术把用户-物品评分矩阵分解成低维的用户隐含因子矩阵和物品隐含因子矩阵。用随机梯度下降法来求得分解参数，使重构评分与实际评分的误差最小。对于新用户、新物品做冷启动处理的时候，采用内容推荐加上类比的办法，依靠商品类别属性和文本信息来产生最初的推荐。
第三章 系统分析
3.1 可行性分析
3.1.1 技术可行性
Django框架提供完整的对象关系映射与视图路由机制，能够支撑业务逻辑的快速开发。Vue前端框架的组件化设计与响应式数据绑定简化了用户界面的构建过程。MySQL数据库对事务处理与索引优化的支持保障了数据操作的一致性。三者的技术栈兼容性经过大量项目验证，前后端通过RESTful API进行数据交换，开发环境配置成熟，社区资源丰富。技术方案不存在不可逾越的障碍。
3.1.2 经济可行性
系统开发以开源软件为基础，Django、Vue、MySQL均为免费使用，无需支付许可证费用。开发工具选用Visual Studio Code与Navicat免费版或社区版，运行环境可部署在个人计算机或低配置云服务器上。硬件方面仅需要一台普通开发机器与测试设备，总投入控制在合理范围内。项目整体建设成本较低，后期维护主要依赖人工，不存在持续性的高额支出。
3.1.3 操作可行性
普通用户群体覆盖在校学生与教职工，该群体具备基本的智能手机或电脑操作能力。系统界面采用卡片式布局与底部分页导航，商品浏览、发布、购买等核心操作通过可视化按钮完成，学习成本较低。管理员在后台管理界面完成商品审核与敏感词配置，操作路径清晰。交互流程经过精简设计，用户无需培训即可上手使用。
3.2 功能需求分析
UML用例图是描述系统功能需求的图形化工具，用例图通过显示系统与外部参与者之间的交互关系来说明系统的功能。用例图以用例来表示系统能完成的特定功能，参与者则是与系统交互的各类用户或者外部系统。用例图可以在分析和设计阶段使用，保证系统的功能完整、正确，让开发者和客户有共同的语言。用直观的图示，UML用例图给出了系统功能与角色间的关系。本文将按照角色模块对系统进行需求分析。
普通用户在系统中可以进行注册与登录操作，完成身份认证后进入个人中心。系统提供二手商品的个性化推荐与检索功能，用户浏览商品详情页可查看图片、描述、价格、卖家信息等内容。在线沟通模块支持买卖双方发送文字消息，围绕商品细节进行实时交流。商品管理功能允许用户发布待售物品，填写商品名称、类目、新旧程度、交易地点等信息，已发布商品支持编辑下架与重新上架。用户浏览符合需求的商品时可发起购买请求，生成交易订单等待卖家确认。需求发布模块供买家描述期望购买的物品特征，寻求其他用户的主动联系。交易订单页面集中展示买家订单与卖家订单，支持状态跟踪与操作确认。完成交易后用户可对对方进行评价，买家评价页面与卖家评价页面分别展示两类评价记录。普通用户用例图如图3-1所示。
图3-1普通用户用例图
管理员在后台负责二手商品的审核与状态管理，对新发布商品进行内容合规性检查，不合规商品执行下架处理。买家评价管理与卖家评价管理两个模块用于监控用户评价内容，删除违规评价维护社区氛围。需求发布管理功能审核用户提交的求购信息，屏蔽包含敏感词汇或虚假内容的需求。敏感词管理模块维护一个词汇黑名单，系统在商品描述、评价内容、需求详情等文本输入场景中自动检测与过滤。公告通知管理功能允许管理员编辑公告标题与正文内容，发布后所有用户可见。管理员用例图如图3-2所示。
图3-2管理员用例图
第四章 系统设计
4.1 系统架构设计
本系统使用前后端分离的分层架构模式，自顶向下分为用户界面层、业务逻辑层、数据访问层和基础设施层。用户界面层使用Vue框架来完成页面的渲染、用户的交互以及数据的展示。该层用HTTP协议向业务逻辑层发出异步请求，接收到JSON格式的响应数据后更新视图组件。在商品推荐场景中，界面层发出用户标识参数，得到推荐的商品列表，再将推荐的商品列表渲染成卡片网格的形式。业务逻辑层使用Django框架，接收到请求之后会调用相应的服务模块来完成业务处理。推荐引擎模块利用用户的浏览历史、搜索关键词等信息来计算出相似度矩阵，然后给出个性化的推荐结果。订单服务模块处理购买请求中库存的扣减以及状态流转。数据访问层利用Django ORM把业务对象映射成数据库操作，自动产生SQL语句执行增删改查。基础设施层包含MySQL数据库服务器以及静态文件存储。四个层次之间依赖关系单向流动，上层调用下层接口，下层不感知上层实现。系统架构图如图4-1所示。
图4-1系统架构图
4.2 系统结构功能设计
系统核心功能围绕普通用户与管理员两个角色展开。普通用户模块包含身份认证、商品推荐查询、在线沟通、二手商品管理、商品购买、需求发布、交易订单处理、买家评价查询、卖家评价查询等子功能。管理员模块涵盖二手商品审核管理、买家评价管理、卖家评价管理、需求发布审核、敏感词维护、公告通知发布等子功能。该系统功能结构如图4-2所示。
图4-2系统功能结构图
4.3 系统流程设计
4.3.1 系统总体业务流程设计
用户进入系统之后会先做身份认证，未注册的用户需要完成账号注册。登录成功后普通用户可以浏览推荐商品或者检索目标物品。用户查看商品详情时可以选择立即购买或者暂时收藏。发起购买请求后系统生成交易订单，交易订单状态为待卖家确认。卖家确认订单之后，买家完成支付操作，订单状态变为待发货。卖家发货后买家确认收货，交易就进入了完成状态。交易结束后买卖双方可以互相评价。用户也可以主动发布待售商品或者求购需求。该流程把商品上架、浏览检索、交易撮合、订单履行、评价反馈等全部环节都包含在内。系统的总体业务流程图如图4-3所示。
图4-3系统总体业务流程图
4.3.2 商品发布流程设计
用户登录后进入商品发布页面填写物品相关信息。系统接收提交的商品数据进行合法性校验，包括必填字段完整性、图片格式正确性、文字内容敏感性检测。校验通过的商品信息存入数据库，商品状态标记为待审核。管理员在后台查看待审核列表，对商品内容进行人工复核。审核通过的商品正式上架展示在推荐列表与检索结果中。审核驳回的商品退回用户端，用户查看驳回理由后可修改后重新提交。商品发布流程如图4-4所示。
图4-4商品发布流程图
4.3.3 交易订单处理流程设计
买家在商品详情页发起购买请求，系统生成待确认订单并锁定商品库存。卖家收到订单通知后查看订单详情，可选择确认或拒绝。卖家确认订单后系统更新订单状态为待支付，向买家发送支付提醒。买家完成在线支付后订单转为待发货状态。卖家发货后填写物流单号，订单状态变为待收货。买家确认收到商品后订单完成，交易资金结算至卖家账户。订单处理流程如图4-5所示。
图4-5交易订单处理流程图
4.3.4 推荐生成流程设计
推荐引擎采集用户的历史行为数据，包括浏览记录、收藏列表与购买历史。系统计算用户与商品之间的兴趣度矩阵。对于登录用户，引擎提取其行为特征向量，与所有商品的特征向量进行相似度计算。相似度超过阈值的商品进入候选推荐集。候选集经过多样性调整与新颖性过滤，剔除用户已购买已收藏的商品。最终生成的推荐列表按照预测评分降序排列后返回前端展示。推荐生成流程如图4-6所示。
图4-6推荐生成流程图
4.3.5 敏感词过滤流程设计
管理员在后台维护敏感词词库，支持词汇的添加删除与批量导入。用户提交商品描述或评价内容时，系统将文本内容与敏感词库进行匹配检测。匹配算法采用多模式匹配策略，扫描文本中是否包含敏感词条。检测到敏感内容时系统阻止提交并返回提示信息，要求用户修改内容后重试。未检测到敏感词的文本通过校验，进入正常业务流程。敏感词过滤流程如图4-7所示。
图4-7敏感词过滤流程图
4.4 数据库设计
数据库设计遵循关系型模型的三范式原则，通过消除数据冗余与函数依赖确保存储效率与更新一致性。在校园二手交易系统中，用户信息、商品数据、订单记录、评价内容等实体之间存在复杂的关联关系。规范化设计将不同业务对象拆分为独立表结构，外键约束维护实体间的引用完整性17。事务机制保证订单生成过程中的库存扣减与状态更新操作要么全部成功要么全部回滚。事务的原子性隔离了并发请求之间的干扰，多个用户同时购买同一商品时锁机制防止超卖现象。索引策略针对高频查询字段建立B+树结构，商品分类检索与用户订单查询的响应时间得到优化。
4.4.1 E-R图设计
普通用户实体主要包括普通用户ID、用户ID、用户姓名、用户性别、用户手机、用户活跃度等属性。实体属性图如图4-8所示。
图4-8普通用户实体属性图
二手商品实体主要包括二手商品ID、商品编号、商品名称、商品类别、商品价格、商品库存、商品描述、新旧程度、商品状态、卖家用户等属性。实体属性图如图4-9所示。
图4-9二手商品实体属性图
交易订单实体主要包括交易订单ID、订单编号、商品编号、商品名称、商品价格、购买数量、订单总价、买家用户、卖家用户、交易状态、支付状态等属性。实体属性图如图4-10所示。
图4-10交易订单实体属性图
买家评价实体主要包括买家评价ID、订单编号、商品编号、商品名称、商品类别、商品价格、购买数量、订单总价、买家用户、卖家用户、评价内容、评价等级等属性。实体属性图如图4-11所示。
图4-11买家评价实体属性图
卖家评价实体主要包括卖家评价ID、订单编号、商品编号、商品名称、商品类别、商品价格、购买数量、订单总价、买家用户、卖家用户、评价内容、评价等级等属性。实体属性图如图4-12所示。
图4-12卖家评价实体属性图
需求发布实体主要包括需求发布ID、需求物品、商品类别、需求详情、出价价格、买家用户、买家地址、需求时间等属性。实体属性图如图4-13所示。
图4-13需求发布实体属性图
敏感词汇实体主要包括敏感词汇ID、敏感词汇、创建时间等属性。实体属性图如图4-14所示。
图4-14敏感词汇实体属性图
公告实体主要包括公告ID、标题、正文等属性。实体属性图如图4-15所示。
图4-15公告实体属性图
用户账户实体主要包括用户ID、用户名、密码、昵称、头像地址、手机号码、邮箱、账户状态等属性。实体属性图如图4-16所示。
图4-16用户账户实体属性图
在线沟通消息实体主要包括ID、发送人ID、接收人ID、消息内容、发送时间等属性。实体属性图如图4-17所示。
图4-17在线沟通消息实体属性图
商品分类实体主要包括商品分类ID、商品类别等属性。实体属性图如图4-18所示。
请替换图片
图4-18商品分类实体属性图 
图4-19全局ER图
4.4.2 数据库表设计
数据库逻辑设计阶段将概念模型转换为关系数据库所支持的表结构形式，依据实体间联系确定主外键约束与参照完整性规则。普通用户表主要是用来存储用户个人档案信息。主要包括普通用户ID、用户ID、用户姓名、用户性别、用户手机等字段。如表4-1所示。
表4-1普通用户表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 普通用户ID | int | 11 | 是 | 是 | 普通用户ID |
| 2 | 用户ID | int | 11 | 是 | 否 | 用户ID |
| 3 | 用户姓名 | varchar | 64 | 否 | 否 | 用户姓名 |
| 4 | 用户性别 | varchar | 64 | 否 | 否 | 用户性别 |
| 5 | 用户手机 | varchar | 16 | 是 | 是 | 用户手机 |
| 6 | 用户活跃度 | varchar | 64 | 否 | 否 | 用户活跃度 |
二手商品表主要是用来存储待售物品的详细信息。主要包括二手商品ID、商品编号、商品名称、商品类别、商品价格等字段。如表4-2所示。
表4-2二手商品表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 二手商品ID | int | 11 | 是 | 是 | 二手商品ID |
| 2 | 商品编号 | varchar | 64 | 是 | 是 | 商品编号 |
| 3 | 商品名称 | varchar | 64 | 否 | 否 | 商品名称 |
| 4 | 商品类别 | varchar | 64 | 否 | 否 | 商品类别 |
| 5 | 商品价格 | double | - | 否 | 否 | 商品价格 |
| 6 | 商品库存 | double | - | 否 | 否 | 商品库存 |
| 7 | 商品状态 | varchar | 64 | 否 | 否 | 商品状态 |
| 8 | 卖家用户 | int | 11 | 否 | 否 | 卖家用户 |
交易订单表主要是用来记录买卖双方的交易过程。主要包括交易订单ID、订单编号、商品编号、商品名称、交易状态等字段。如表4-3所示。
表4-3交易订单表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 交易订单ID | int | 11 | 是 | 是 | 交易订单ID |
| 2 | 订单编号 | varchar | 64 | 否 | 否 | 订单编号 |
| 3 | 商品编号 | varchar | 64 | 否 | 否 | 商品编号 |
| 4 | 商品名称 | varchar | 64 | 否 | 否 | 商品名称 |
| 5 | 交易状态 | varchar | 64 | 否 | 否 | 交易状态 |
| 6 | 买家用户 | int | 11 | 否 | 否 | 买家用户 |
| 7 | 卖家用户 | int | 11 | 否 | 否 | 卖家用户 |
| 8 | 订单总价 | double | - | 否 | 否 | 订单总价 |
买家评价表主要是用来存储买家对卖家的反馈内容。主要包括买家评价ID、订单编号、商品编号、评价内容、评价等级等字段。如表4-4所示。
表4-4买家评价表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 买家评价ID | int | 11 | 是 | 是 | 买家评价ID |
| 2 | 订单编号 | varchar | 64 | 否 | 否 | 订单编号 |
| 3 | 商品编号 | varchar | 64 | 否 | 否 | 商品编号 |
| 4 | 评价内容 | text | 65535 | 否 | 否 | 评价内容 |
| 5 | 评价等级 | varchar | 64 | 否 | 否 | 评价等级 |
| 6 | 买家用户 | int | 11 | 否 | 否 | 买家用户 |
| 7 | 卖家用户 | int | 11 | 否 | 否 | 卖家用户 |
卖家评价表主要是用来存储卖家对买家的反馈内容。主要包括卖家评价ID、订单编号、商品编号、评价内容、评价等级等字段。如表4-5所示。
表4-5卖家评价表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 卖家评价ID | int | 11 | 是 | 是 | 卖家评价ID |
| 2 | 订单编号 | varchar | 64 | 否 | 否 | 订单编号 |
| 3 | 商品编号 | varchar | 64 | 否 | 否 | 商品编号 |
| 4 | 评价内容 | text | 65535 | 否 | 否 | 评价内容 |
| 5 | 评价等级 | varchar | 64 | 否 | 否 | 评价等级 |
| 6 | 买家用户 | int | 11 | 否 | 否 | 买家用户 |
| 7 | 卖家用户 | int | 11 | 否 | 否 | 卖家用户 |
需求发布表主要是用来存储买家的求购意向信息。主要包括需求发布ID、需求物品、商品类别、需求详情、出价价格等字段。如表4-6所示。
表4-6需求发布表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 需求发布ID | int | 11 | 是 | 是 | 需求发布ID |
| 2 | 需求物品 | varchar | 64 | 否 | 否 | 需求物品 |
| 3 | 商品类别 | varchar | 64 | 否 | 否 | 商品类别 |
| 4 | 需求详情 | longtext | 4294967295 | 否 | 否 | 需求详情 |
| 5 | 出价价格 | double | - | 否 | 否 | 出价价格 |
| 6 | 买家用户 | int | 11 | 否 | 否 | 买家用户 |
敏感词汇表主要是用来存储违规词过滤黑名单。主要包括敏感词汇ID、敏感词汇、创建时间等字段。如表4-7所示。
表4-7敏感词汇表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 敏感词汇ID | int | 11 | 是 | 是 | 敏感词汇ID |
| 2 | 敏感词汇 | varchar | 64 | 否 | 否 | 敏感词汇 |
| 3 | 创建时间 | datetime | - | 是 | 否 | 创建时间 |
公告表主要是用来存储系统通知内容。主要包括公告ID、标题、正文等字段。如表4-8所示。
表4-8公告表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 公告ID | mediumint | 7 | 是 | 是 | 公告ID |
| 2 | 标题 | varchar | 125 | 是 | 否 | 标题 |
| 3 | 正文 | longtext | 4294967295 | 否 | 否 | 正文 |
用户账户表主要是用来存储登录认证凭证。主要包括用户ID、用户名、密码、手机号码、账户状态等字段。如表4-9所示。
表4-9用户账户表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 用户ID | int | 11 | 是 | 是 | 用户ID |
| 2 | 用户名 | varchar | 16 | 是 | 否 | 用户名 |
| 3 | 密码 | varchar | 64 | 是 | 否 | 密码 |
| 4 | 手机号码 | varchar | 11 | 否 | 否 | 手机号码 |
| 5 | 账户状态 | smallint | 5 | 是 | 否 | 账户状态 |
商品分类表主要是用来对商品进行归类管理。主要包括商品分类ID、商品类别等字段。如表4-10所示。
表4-10商品分类表
| 序号 | 字段名 | 类型 | 长度 | 是否非空 | 是否主键 | 备注 |
|---|---|---|---|---|---|---|
| 1 | 商品分类ID | int | 11 | 是 | 是 | 商品分类ID |
| 2 | 商品类别 | varchar | 64 | 否 | 否 | 商品类别 |
4.5 协同过滤推荐算法设计
协同过滤推荐算法的核心思想在于利用用户群体的集体行为模式预测个体偏好。该算法假设历史上行为相似的用户在未来会保持相似的兴趣取向，这一假设在校园二手交易场景中具有天然合理性，因为同一校园内学生的消费能力与物品需求往往呈现较强的聚集特征。系统采用的推荐策略融合了基于用户的协同过滤思想与基于物品的协同过滤思想，从用户收藏行为与商品类别两个维度构建推荐逻辑。
算法运行流程分为五个连续阶段。第一阶段为用户行为采集，系统从collect数据表中提取当前用户对二手商品的所有收藏记录，每条记录包含用户标识user_id、商品标识source_id、收藏时间create_time三个关键字段。在代码实现层面，Get_hits_list方法执行SQL聚合查询语句SELECT COUNT(collect_id)AS hits_count, source_id FROM collect WHERE source_table = 'second_hand_goods' AND user_id = {user_id} GROUP BY source_id，将指定用户的收藏记录按商品维度汇总统计。
第二阶段为偏好特征提取。系统遍历上述聚合结果，比较每条记录的hits_count字段值，定位收藏次数最高的商品记录。若当前用户没有任何收藏记录，算法自动回退到全局策略，从collect表中查询所有用户对二手商品的收藏聚合结果，取全局收藏次数最高的商品作为偏好锚点。若全局收藏记录同样为空，即数据库中不存在任何收藏行为，系统执行冷启动策略，直接从second_hand_goods表中按create_time字段降序排列，返回最新发布的12条商品。
第三阶段为候选集初次召回。系统根据第二阶段确定的偏好锚点商品，查询该商品的commodity_category字段值作为目标类别。随后执行SELECT * FROM second_hand_goods WHERE commodity_category = '{target_category}'语句，从商品表中召回所有属于该类别的商品记录。召回结果按照hits字段进行降序冒泡排序，hits值代表商品被点击查看的次数，这一指标间接反映了商品的受欢迎程度。
第四阶段为候选集补充召回。当同类别商品数量不足12条时，系统执行类别相似度计算以扩充推荐列表。算法提取商品表中所有不同于目标类别的其他类别值，对每个候选类别计算与目标类别的归一化编辑距离相似度。similar方法采用动态规划构建n×m矩阵，其中n与m分别为两个类别字符串的长度，通过递推公式dij=min(di-1j+1, dij-1+1, di-1j-1+cost)计算编辑距离，最终返回(1 - dnm / max(len(s), len(t))) * 100作为相似度百分比。所有候选类别按相似度降序排序，系统从相似度最高的类别中依次补充商品进入推荐列表，直至列表达到12条上限。
第五阶段为结果排序与输出。系统将最终候选集中的所有商品按照hits字段进行降序排序，排序完成后封装为JSON格式返回前端。前端组件List_second_hand_goods接收推荐结果，将每个商品渲染为包含图片、名称、价格的卡片视图。整个推荐算法不依赖离线训练过程，所有计算均基于实时数据库查询与内存排序完成，保证了推荐结果的时效性。协同过滤推荐流程如图4-20所示。
请替换图片
图4-20协同过滤推荐流程图
第五章 系统实现
5.1 普通用户功能实现
5.1.1 登录注册功能实现
用户通过前端表单提交用户名与密码，后端UserController接收请求并调用userService根据用户名查询用户信息，通过校验密码后生成token并存入access_token表作为登录凭证。注册时需校验用户名唯一性，保存前对密码进行加密处理。登录注册界面如图5-1所示。
图5-1登录注册界面
核心代码实现如下：
public Result login(@RequestBody User user)
User dbUser = userService.getByUsername(user.getUsername())
if(dbUser != null && dbUser.getPassword().equals(user.getPassword()))
String token = UUID.randomUUID().toString()
accessTokenService.save(new AccessToken(token, dbUser.getUserId()))
5.1.2 二手商品推荐查询功能实现
用户访问首页推荐模块时，前端调用SecondHandGoodsController的getHitsList方法并传递userId。后端根据用户收藏记录统计最高频商品类别，召回同类别商品按点击量排序。若数量不足12条，系统计算其他类别的编辑距离相似度进行补全，最终返回推荐商品列表。二手商品推荐查询界面如图5-2所示。
图5-2二手商品推荐查询界面
核心代码实现如下：
String hitsSource = "SELECT COUNT(collect_id) AS hits_count, source_id FROM collect"
hitsSource += " WHERE source_table='second_hand_goods' AND user_id=" + userId
List hitsList = service.run(hitsSource)
String typeSql = "SELECT commodity_category FROM second_hand_goods WHERE second_hand_goods_id=" + maxSourceIdString typeName = typeList.get(0).get("commodity_category").toString()
sql = "SELECT * FROM second_hand_goods WHERE commodity_category='" + typeName + "' ORDER BY hits DESC limit 0,12"
5.1.3 在线沟通功能实现
用户进入聊天页面后，前端通过WebSocket连接到服务器，UserSpecificConsumer类处理连接与消息收发。发送消息时，后端根据接收方ID查询在线用户列表，若对方在线则实时转发，同时将消息记录插入user_chat_read表实现离线存储。在线沟通界面如图5-3所示。
图5-3在线沟通界面
核心代码实现如下：
class UserSpecificConsumer(WebsocketConsumer):def websocket_receive(self, event):
body = json.loads(event["text"])
uuid = self.generate_uuid()
send_message = {"message_type": 4, "text_message": body["message"]}
service_select("user_chat_read").Add({"user_chat_read_id": uuid})
self.send_message_to(body"to""user_id", send_message)
5.1.4 二手商品管理功能实现
用户进入个人中心商品管理页面，SecondHandGoodsController提供增删改查接口。发布商品时调用Add方法校验必填字段并保存商品信息；修改商品时调用Set方法根据商品ID更新数据库记录；删除商品时调用Del方法物理删除。用户仅能操作自己发布的商品。二手商品管理界面如图5-4所示。
图5-4二手商品管理界面
核心代码实现如下：
public Result add(@RequestBody SecondHandGoods goods)goods.setCreateTime(LocalDateTime.now())
goods.setExamineState("未审核")
return success(secondHandGoodsService.save(goods))
public Result set(@RequestParam Integer id, @RequestBody SecondHandGoods goods)
goods.setSecondHandGoodsId(id)
return success(secondHandGoodsService.updateById(goods))
5.1.5 二手商品购买功能实现
用户浏览商品详情页点击购买时，前端调用TransactionOrderController的Add方法创建订单。后端校验商品库存是否充足，若充足则插入订单记录并扣减库存；若库存不足则回滚事务并返回错误提示。支付成功后更新订单支付状态字段。二手商品购买界面如图5-5所示。
图5-5二手商品购买界面
核心代码实现如下：
service.Add(body, self.config)select = service.run("SELECT MAX(transaction_order_id) AS max FROM transaction_order")
max = select[0]["max"]
ret = service.run("SELECT count(*) as count FROM second_hand_goods WHERE commodity_inventory < purchase_quantity")
service.run("UPDATE second_hand_goods SET commodity_inventory =commodity_inventory - purchase_quantity")
5.1.6 需求发布功能实现
用户进入需求发布页面填写需求物品、描述等信息，DemandReleaseController调用Add方法保存数据。系统将需求状态默认为审核中，管理员审核通过后其他用户可查看。用户可在我的需求列表中查看已发布的需求记录，支持编辑和删除操作。需求发布界面如图5-6所示。
图5-6需求发布界面
核心代码实现如下：
public Result add(@RequestBody DemandRelease demand)demand.setCreateTime(LocalDateTime.now())
demand.setExamineState("未审核")
demand.setHits(0)
demand.setCollectLen(0)
demand.setPraiseLen(0)
return success(demandReleaseService.save(demand))
5.1.7 交易订单管理功能实现
用户在个人中心查看订单列表时，TransactionOrderController的Get_list方法根据当前登录用户ID查询订单信息，区分买家订单和卖家订单。用户可查看订单状态、商品信息，并确认收货完成交易流程。交易订单管理界面如图5-7所示。
图5-7交易订单管理界面
核心代码实现如下：
public Result getList(@RequestParam Integer userId, @RequestParam Integer page)
QueryWrapper<TransactionOrder> wrapper = new QueryWrapper<>()
wrapper.eq("buyer_user", userId).or().eq("seller_user", userId)
wrapper.orderByDesc("create_time")
Page<TransactionOrder> pageResult =transactionOrderService.page(new Page<>(page, 10), wrapper)
return success(pageResult)
5.1.8 买家评价查询功能实现
交易完成后，买家可对商品进行评价。BuyerEvaluationController提供Get_list方法，用户进入评价查询页面时根据source_id和source_table字段筛选seller_user为当前用户的评价记录，按创建时间倒序排列展示买家对自己的评价内容。买家评价查询界面如图5-8所示。
图5-8买家评价查询界面
核心代码实现如下：
public Result getList(@RequestParam Integer sellerUserId)
QueryWrapper<BuyerEvaluation> wrapper = new QueryWrapper<>()
wrapper.eq("seller_user", sellerUserId)
wrapper.orderByDesc("create_time")
List<BuyerEvaluation> list = buyerEvaluationService.list(wrapper)
return success(list)
5.1.9 卖家评价查询功能实现
买家评价卖家后，卖方可通过SellerEvaluationController查看收到的评价。系统根据当前登录用户ID查询seller_evaluation表中source_user_id匹配的评价记录，展示评价等级、评价内容及评价人信息，帮助卖家了解自身信誉情况。卖家评价查询界面如图5-9所示。
图5-9卖家评价查询界面
核心代码实现如下：
public Result getList(@RequestParam Integer sellerUserId)
QueryWrapper<SellerEvaluation> wrapper = new QueryWrapper<>()
wrapper.eq("seller_user", sellerUserId)
wrapper.orderByDesc("create_time")
List<SellerEvaluation> list = sellerEvaluationService.list(wrapper)
return success(list)
5.2 管理员功能实现
5.2.1 二手商品管理功能实现
管理员在后台对二手商品进行统一管理，SecondHandGoodsController提供列表查询、审核通过和强制下架功能。审核操作调用Set方法更新examine_state字段为已通过或未通过，下架商品在前端不再展示。管理员可查看所有用户发布的商品。二手商品管理界面如图5-10所示。
图5-10二手商品管理界面
核心代码实现如下：
public Result getList(@RequestParam Integer page)return success(secondHandGoodsService.page(new Page<>(page, 20)))
public Result examine(@RequestParam Integer id, @RequestParam String state)
SecondHandGoods goods = secondHandGoodsService.getById(id)
goods.setExamineState(state)
return success(secondHandGoodsService.updateById(goods))
5.2.2 买家评价管理功能实现
管理员进入买家评价管理模块，BuyerEvaluationController支持查询和删除操作。Get_list方法可筛选全部买家评价记录并分页展示，管理员有权删除违规评价内容。系统记录评价来源表和来源ID以便追溯对应的商品订单信息。买家评价管理界面如图5-11所示。
图5-11买家评价管理界面
核心代码实现如下：
public Result getList(@RequestParam Integer page)
QueryWrapper<BuyerEvaluation> wrapper = new QueryWrapper<>()
wrapper.orderByDesc("create_time")
Page<BuyerEvaluation> pageResult =buyerEvaluationService.page(new Page<>(page, 20), wrapper)
return success(pageResult)
5.2.3 卖家评价管理功能实现
管理员对卖家评价进行后台监控，SellerEvaluationController提供列表查询和删除接口。系统展示评价等级、评价内容、关联订单号等信息，管理员可根据平台规定删除恶意评价。所有评价数据均关联用户表以追溯评价人和被评价人。卖家评价管理界面如图5-12所示。
图5-12卖家评价管理界面
核心代码实现如下：
public Result getList(@RequestParam Integer page)
QueryWrapper<SellerEvaluation> wrapper = new QueryWrapper<>()
wrapper.orderByDesc("create_time")
Page<SellerEvaluation> pageResult =sellerEvaluationService.page(new Page<>(page, 20), wrapper)
return success(pageResult)
5.2.4 需求发布管理功能实现
管理员审核用户发布的需求信息，DemandReleaseController的Get_list方法查询所有未审核或已通过的需求。审核时调用Set方法更新examine_state字段，审核通过的需求在用户前端可见，不通过的予以驳回。支持批量删除无效需求。需求发布管理界面如图5-13所示。
图5-13需求发布管理界面
核心代码实现如下：
public Result getList(@RequestParam Integer page)return success(demandReleaseService.page(new Page<>(page, 20)))
public Result examine(@RequestParam Integer id, @RequestParam String state)
DemandRelease demand = demandReleaseService.getById(id)
demand.setExamineState(state)
return success(demandReleaseService.updateById(demand))
5.2.5 敏感词管理功能实现
管理员添加或删除敏感词库，SensitiveVocabularyController提供增删改查接口。发布商品或评论时，系统会调用敏感词检测方法，匹配敏感词则阻止提交。Get_list方法分页展示已有敏感词，Add方法插入新词汇，Del方法删除指定词汇。敏感词管理界面如图5-14所示。
图5-14敏感词管理界面
核心代码实现如下：
public Result add(@RequestBody SensitiveVocabulary vocabulary)return success(sensitiveVocabularyService.save(vocabulary))
public Result del(@RequestParam Integer id)
return success(sensitiveVocabularyService.removeById(id))
public Result getList(@RequestParam Integer page)
return success(sensitiveVocabularyService.page(new Page<>(page, 20)))
5.2.6 公告通知管理功能实现
管理员发布系统公告，NoticeController提供公告的增删改查接口。新增公告调用Add方法保存标题和内容后立即在前端首页展示；修改公告调用Set方法更新记录；删除公告调用Del方法。Get_list方法按创建时间倒序排列公告列表。公告通知管理界面如图5-15所示。
图5-15公告通知管理界面
核心代码实现如下：
public Result add(@RequestBody Notice notice)notice.setCreateTime(LocalDateTime.now())
return success(noticeService.save(notice))
public Result set(@RequestBody Notice notice)
return success(noticeService.updateById(notice))
public Result getList(@RequestParam Integer page)
return success(noticeService.page(new Page<>(page, 10)))
第六章 系统测试
6.1 测试目的
系统测试的主要目的就是检验软件的功能是否符合设计的规格。测试工作主要对业务逻辑进行检验，保证商品发布、订单处理、推荐生成等主要流程按照事先设定好的规则来执行。异常输入场景下系统的容错能力也属于测试的重点，即对空值提交、格式错误、超长文本等边界情况的处理方式进行考察。交易过程是由一系列状态节点转换而成的，测试时要考察所有从订单产生到交易结束的各种路径。推荐算法的输出结果要评价其合理性，检验相似度计算是否能正确体现用户的兴趣偏好18。经过系统的测试用例执行，找出并修正存在的隐患，保证系统可以交付。
6.2 测试方法
测试工作使用黑盒测试的方法，不关心代码内部实现的细节，只看输入输出是否满足要求。功能测试对所有的用户操作路径进行覆盖，根据需求文档中给出的用例描述来设计测试用例19。各个功能模块的测试是独立的，模块之间数据的依赖用前置条件来解决。边界值分析是对输入字段长度、数值范围进行验证的方法，等价类划分是减少重复性测试用例的方法。回归测试是在缺陷修复之后进行的，保证修改没有产生新的错误。测试环境和开发环境分离，用单独的测试数据库来防止对正常开发工作的干扰20。
6.3 测试用例
（1）用户注册登录功能测试如表6-1所示。
表6-1用户注册登录功能测试表
| 测试内容 | 测试步骤 | 预期结果 | 实际结果 |
|---|---|---|---|
| 账号注册 | 填写完整注册信息提交 | 账户创建成功并跳转登录页 | 符合预期 |
| 用户名唯一性 | 使用已存在用户名注册 | 系统提示用户名已被占用 | 符合预期 |
| 正确登录 | 输入正确的用户名密码 | 登录成功进入首页 | 符合预期 |
| 错误密码 | 输入正确用户名错误密码 | 提示密码错误拒绝登录 | 符合预期 |
（2）商品发布审核功能测试如表6-2所示。
表6-2商品发布审核功能测试表
| 测试内容 | 测试步骤 | 预期结果 | 实际结果 |
|---|---|---|---|
| 发布商品 | 填写完整商品信息提交 | 商品进入待审核状态 | 符合预期 |
| 敏感词检测 | 商品描述包含违规词汇 | 系统阻止提交并提示 | 符合预期 |
| 管理员审核通过 | 后台执行审核通过操作 | 商品状态变更为已上架 | 符合预期 |
| 管理员审核驳回 | 后台执行驳回并填写理由 | 商品退回用户编辑页 | 符合预期 |
（3）推荐生成功能测试如表6-3所示。
表6-3推荐生成功能测试表
| 测试内容 | 测试步骤 | 预期结果 | 实际结果 |
|---|---|---|---|
| 行为采集 | 用户浏览收藏若干商品 | 系统记录行为数据 | 符合预期 |
| 推荐计算 | 登录后访问首页 | 返回推荐商品列表 | 符合预期 |
| 已购过滤 | 推荐列表不含已购商品 | 已购商品不出现 | 符合预期 |
| 冷启动处理 | 新用户无行为记录 | 返回热门商品列表 | 符合预期 |
（4）订单交易功能测试如表6-4所示。
表6-4订单交易功能测试表
| 测试内容 | 测试步骤 | 预期结果 | 实际结果 |
|---|---|---|---|
| 发起购买 | 商品详情页点击购买 | 生成待确认订单 | 符合预期 |
| 卖家确认 | 卖家后台确认订单 | 订单状态变更为待支付 | 符合预期 |
| 买家支付 | 买家执行支付操作 | 订单状态变更为待发货 | 符合预期 |
| 确认收货 | 买家确认收到商品 | 订单状态变更为已完成 | 符合预期 |
（5）敏感词过滤功能测试如表6-5所示。
表6-5敏感词过滤功能测试表
| 测试内容 | 测试步骤 | 预期结果 | 实际结果 |
|---|---|---|---|
| 添加敏感词 | 管理员新增敏感词汇 | 词汇存入词库 | 符合预期 |
| 商品检测 | 商品描述含敏感词 | 提交被阻止并提示 | 符合预期 |
| 评价检测 | 评价内容含敏感词 | 提交被阻止并提示 | 符合预期 |
| 删除敏感词 | 管理员删除词汇 | 词库同步更新 | 符合预期 |
测试结论
通过上述测试用例的执行与验证，系统各项功能均达到预期设计要求。用户注册登录流程正常，商品发布审核机制有效运行，推荐引擎能够依据用户行为生成个性化列表。订单交易的状态流转完整覆盖了从购买发起到交易完成的所有节点，敏感词过滤功能成功拦截了违规内容输入。测试过程中发现的缺陷主要集中在边界条件处理上，经过修复后已全部关闭。系统整体运行稳定，核心功能正确性得到确认，具备上线部署的条件。
总结
校园闲置物品流转存在信息匹配效率低下的现实状况，传统的平台依靠用户主动搜索的被动方式不能满足即时性、精确性的要求。本文设计并实现了以协同过滤算法为基础的智能推荐系统，把推荐机制嵌入到交易流程当中。系统使用Django、Vue、MySQL技术方案，创建起前后端分离的Web应用架构。协同过滤推荐引擎是利用用户之前的行为数据，给用户提供个性化的商品列表，大大减少信息搜索成本。系统完成了普通用户和管理员两种角色所有的功能模块开发，包含商品管理、交易处理、评价反馈、需求发布、在线交流等二手交易全过程。经过测试验证，系统的功能是正确的，推荐的准确性也达到了预期的效果。
从需求分析、系统设计、编码实现三方面都按照软件工程的要求来完成。需求阶段确定出功能边界和非功能性需求，设计阶段完成架构分层和数据库建模，实现阶段完成前后端代码编写及接口联调，测试阶段包含对核心功能的验证途径。技术架构上采用前后端分离的方式可以提高开发效率以及维护性，Django ORM简化了数据操作的代码量，Vue组件化降低了界面开发的难度。经过测试，商品发布审核、订单状态流转、推荐列表生成、敏感词过滤等功能均可以正常使用。
系统目前还存在着一些不足。只用协同过滤一种方法进行推荐，在冷启动阶段新用户的推荐质量不高。在线沟通功能只能发送文字消息，没有图片的发送以及表情包的支持。商品检索没有实现拼音纠错、同义词扩展功能，用户输入错别字时不能查到相关的商品。后台管理界面不能支持移动设备，管理员只能在电脑上进行操作。
后续改进工作可以从三个方面入手。采用基于内容的推荐来对冷启动问题进行补充，用商品文本特征给新用户产生初始推荐。在在线沟通模块中加入图片消息的支持以及消息是否已读未读的显示。检索功能可以和Elasticsearch搜索引擎结合起来使用，从而达到拼音纠错、语义扩展的目的。移动端适配之后管理员可以使用手机进行审核。该系统在校园场景下有较好的应用前景，闲置资源流转效率提高有利于绿色校园建设。
参考文献
1 俞一鸣,梅寒,涂若溪,等.双碳---AI融合驱动的校园二手平台护权机制------基于碳足迹追踪与区块链技术的验证研究J.国际公关, 2026, (2): 160-163.
2 陈春龙.基于混合推荐的校园二手交易系统的研究与实现D.辽宁大学, 2022.
3 赵壮.推荐算法在校园二手交易平台中的研究与应用D.武汉轻工大学, 2021.
4 唐瑛.服务设计思维下校园二手书籍交易平台设计研究J.大众文艺, 2023, (23): 13-15.
5 殷梅雨,肖月,周慧珍.基于"互联网+"的校园二手交易平台发展对策研究J.现代商贸工业, 2023, 44(23): 23-25.
6 曹振兴,刘亚娇,邹敏,等.绿色校园背景下的校园二手交易平台J.数字通信世界, 2023, (1): 75-77.
7 高耀,许诺,李博,等.基于Web的新型校园二手交易平台实践研究------以"校易集市"为例J.中国商论, 2023, (1): 130-132.
8 Zirong L, Yanbin L. Design of a Bluetooth-based Anonymous No-Smoking Reminder System for Campus ToiletsJ. Industry Science and Engineering, 2025, 2(11): 1-10.
9 Linxuan L. Optimization and Design of Hardware System for Campus Intelligent VehiclesJ. ITM Web of Conferences, 2025, 80: 03010-03010.
10 Nie H. Design and Implementation of a Campus Sports Meet Management SystemJ. Frontiers in Computing and Intelligent Systems, 2024, 8(2): 47-51.
11 Zhang J, Lv T. Design and implementation of second-hand housing data statistical analysis systemJ. Financial Engineering and Risk Management, 2021, 4(4): 1-10.
12 Xiaochu W, Juanyi L, Qi C. Research on Optimization Design of University Campus Traffic System - Taking Qinghai University as an ExampleC//Proceedings of the 2023 International Conference on Urban Planning and Design. 出版地不详: 出版者不详, 2023: 1-10.
13 徐家喜,王小正,朱杰.Java EE框架技术与案例教程M.南京:南京大学出版社,2023:312.
14 谢振华.基于Vue.js与Spring Boot的教务管理系统设计J.电脑与信息技术,2024,32(4):95-97.
15 赵停停.基于MySQL数据库技术的Web动态网页设计研究J.信息与电脑(理论版),2023,35(17):174-176.
16 柳伟卫.Vue.js+Spring Boot全栈开发实战M.北京:人民邮电出版社,2023:484.
17 李磊.Java EE企业级应用开发实战M.北京:人民邮电出版社,2023:257.
18 周晓玉,崔文超.基于Web技术的数据库应用系统设计J.信息与电脑(理论版),2023,35(9):189-191.
19 林育蓓,汤德佑,汤娜.数据库技术及应用M.北京:机械工业出版社,2024:302.
20 茹炳晟,陈磊,朱少民.现代软件测试技术权威指南M.北京:电子工业出版社,2025:856.
致谢
从选题到定稿，这段论文写作经历让我对软件工程有了更立体认知。最初面对协同过滤算法时，矩阵分解与相似度计算的数学推导一度让我感到吃力。幸运的是导师一次次指出研究框架中的逻辑漏洞，引导我从推荐准确率与覆盖率两个维度评估算法效果。每周的组会讨论中，同门师兄师姐分享的实验经验帮我少走了很多弯路。
实验室的熬夜调试代码的日子记忆犹新。数据库连接池反复断开的问题困扰了我整整三天，室友放下自己的论文帮我看日志分析异常栈。食堂吃饭时随口聊起的用户行为采集思路，竟然成了解决冷启动问题的关键灵感。朋友们递来的咖啡与零食，让那些卡在bug里的焦灼时刻变得不那么难熬。
父母从未追问过我什么时候毕业，只是每个月准时把生活费打到卡上。他们用最朴素的方式支持我读完这些年，这份恩情我会记在心里。走在校园里看到二手交易群的消息频繁跳动，想到自己的系统也许能让学弟学妹们少刷几条群消息就找到需要的教材，觉得这半年多的努力有了真实的分量。技术或许会过时，但解决实际问题的热情会一直留在这里。
📦 本文提供 完整源码 + 数据库脚本 + 运行文档
👥 适合人群： 🎓 计算机专业毕设 📚 课程设计 💻 项目练手
⚡ 获取方式： 👍 点赞 + ⭐ 收藏 + 🔔 关注 → 💬 私信领取