基于 Spring Boot + Vue 的儿童益智玩具早教方案匹配平台设计与实现

项目类型：Java Web / Spring Boot / Vue / MySQL / 推荐算法 / 毕业设计
核心功能：儿童档案管理、玩具智能匹配、早教方案浏览、购物车订单、评价反馈、后台审核、玩具分类管理
推荐算法：TF-IDF 内容推荐 + User-Based 协同过滤 + 混合加权推荐 + 冷启动处理

一、项目简介

本文介绍一个基于 Spring Boot 和 Vue.js 开发的儿童益智玩具早教方案匹配平台。系统面向家长用户、机构用户和管理员三类角色，围绕儿童档案管理、玩具智能匹配、早教方案浏览、购物车订单、评价反馈、机构方案发布、后台审核与数据管理等业务进行设计与实现。

该系统不只是一个普通的后台管理平台，而是围绕“儿童画像 - 玩具分类 - 教育属性 - 用户评价”建立了一套推荐匹配链路。系统通过 TF-IDF 内容推荐算法、User-Based 协同过滤算法和混合加权推荐策略，根据儿童年龄、兴趣偏好、能力特征、玩具分类、教育属性以及家长历史评价数据，计算玩具与儿童早教需求之间的匹配程度。

系统登录页面如下：

二、开发背景

随着家庭教育和儿童早期教育受到越来越多家长的重视，益智玩具已经成为儿童认知启蒙、动手能力训练、逻辑思维培养和语言发展的重要辅助工具。

但在实际使用中，家长通常会遇到以下问题：

1. 不清楚不同年龄段儿童适合什么类型的益智玩具。
2. 难以判断玩具是否符合孩子的兴趣和能力发展特点。
3. 早教方案、玩具资源、机构服务之间缺少统一管理。
4. 普通平台大多只做商品展示，缺少个性化推荐逻辑。

因此，本系统通过儿童档案、玩具分类、玩具教育属性和评价反馈数据，完成玩具与儿童早教需求之间的智能匹配，帮助家长更高效地选择适合孩子的益智玩具和早教方案。

三、技术栈

1. 后端技术

• Spring Boot：作为后端主框架，负责接口开发、业务处理和服务整合。
• MyBatis-Plus：用于简化数据库增删改查和分页查询。
• MySQL：存储用户、儿童档案、玩具、分类、方案、订单和评价等业务数据。
• RESTful API：前后端通过统一接口进行数据交互。
• Lombok：简化实体类代码。

2. 前端技术

• Vue.js：构建前端单页面应用。
• Element Plus：实现表格、表单、弹窗、菜单等后台管理常用组件。
• Axios：进行前后端接口请求。
• Vite：作为前端开发和构建工具。

3. 架构模式

系统采用 B/S 架构和前后端分离模式。前端负责页面展示和用户交互，后端负责业务逻辑、权限控制、数据处理和推荐算法计算，MySQL 负责持久化存储。

四、系统角色设计

系统主要包括三类用户：家长用户、机构用户和管理员。

1. 家长用户

家长用户是平台的核心使用对象，主要负责维护儿童档案、查看推荐结果、浏览早教方案、下单购买玩具并提交评价反馈。

家长端首页如下：

家长用户主要功能包括：

• 儿童档案管理
• 玩具智能匹配
• 玩具浏览与查询
• 早教方案浏览
• 方案收藏
• 购物车管理
• 订单管理
• 评价反馈
• 查看课程资源

2. 机构用户

机构用户是平台内容和服务的提供方，主要负责发布早教方案、维护机构信息、回复家长咨询、上线玩具和维护课程资源。

机构用户主要功能包括：

• 早教方案发布
• 方案审核状态查看
• 咨询互动回复
• 机构个人中心
• 玩具上线管理
• 课程资源维护

3. 管理员

管理员负责系统后台治理和平台数据维护。

管理员主要功能包括：

• 用户管理
• 机构资质审核
• 玩具信息审核
• 玩具分类管理
• 早教方案审核
• 课程审核
• 订单管理
• 操作日志管理
• 数据概览统计

五、核心功能模块

1. 儿童档案管理

儿童档案是系统推荐算法的基础数据。家长可以维护儿童姓名、年龄、能力特征、兴趣偏好等信息。

系统在进行玩具匹配时，会读取儿童档案中的年龄、兴趣偏好和能力特征，并将这些数据转换为推荐算法可计算的特征。

儿童档案管理页面如下：

2. 玩具智能匹配

玩具智能匹配是系统的核心功能。家长选择儿童档案后，系统会读取该儿童的年龄、兴趣偏好和能力特征，同时读取已审核上架的候选玩具数据，经过推荐算法计算后输出匹配结果。

系统会返回三类推荐结果：

1. TF-IDF 内容推荐结果
2. 协同过滤推荐结果
3. 混合推荐结果

玩具智能匹配页面如下：

3. 早教方案浏览

早教方案浏览模块用于展示机构发布并通过审核的早教方案。家长可以查看方案内容、教学目标、适用对象等信息，也可以对感兴趣的方案进行收藏。

早教方案浏览页面如下：

4. 购物车与订单管理

家长可以将推荐或浏览到的玩具加入购物车，并提交订单。订单模块用于记录购买信息、订单金额、订单状态和物流状态。

购物车页面如下：

订单管理页面如下：

5. 评价反馈

评价反馈模块用于记录家长对玩具或早教方案的使用体验和评分。该数据不仅用于页面展示，也会作为协同过滤算法的输入数据，帮助后续推荐结果更加贴近用户偏好。

评价反馈页面如下：

6. 管理员后台

管理员后台用于管理平台用户、审核机构和方案、维护订单和课程，并通过数据概览查看平台运行情况。

管理员数据概览页面如下：

用户管理页面如下：

方案审核页面如下：

六、玩具分类设计

预答辩中容易被问到的一个问题是：系统是否体现了玩具分类？

本系统中，玩具分类不是简单的页面展示字段，而是贯穿了数据表设计、后台管理、玩具信息维护和推荐算法计算。

系统支持的玩具分类包括：

• 积木拼搭类
• 拼图益智类
• 音乐启蒙类
• STEM 科学类
• 语言认知类
• 运动感统类
• 创意美术类
• 数学启蒙类

在数据库中，玩具表 toy 通过 category_id 关联玩具分类表 toy_category。推荐算法在进行内容匹配时，会读取玩具分类名称，并计算儿童兴趣偏好与玩具分类之间的匹配度。

也就是说，玩具分类不仅用于管理端维护，还参与了最终推荐得分计算。

七、数据库设计

系统主要数据表包括：

• sys_user：用户表
• child_profile：儿童档案表
• toy：玩具信息表
• toy_category：玩具分类表
• early_plan：早教方案表
• evaluation：评价反馈表
• cart：购物车表
• orders：订单表
• course：课程表
• institution：机构表
• operation_log：操作日志表

推荐算法重点使用以下几类数据：

数据表	作用
child_profile	存储儿童年龄、能力特征、兴趣偏好，是推荐算法的儿童画像来源
toy	存储玩具名称、分类、适配年龄、教育属性、价格和库存，是候选资源池
toy_category	存储玩具分类信息，支撑后台分类管理和推荐算法中的分类加权
evaluation	存储家长评分和反馈，是协同过滤评分矩阵的数据来源

八、推荐算法设计

本系统的推荐算法由三部分组成：

1. TF-IDF 内容推荐算法
2. User-Based 协同过滤算法
3. 混合加权推荐算法

整体流程可以理解为：

儿童档案 + 玩具属性 + 玩具分类 + 用户评价
                ↓
        TF-IDF 内容推荐得分
                ↓
        协同过滤预测得分
                ↓
        混合加权融合排序
                ↓
        输出玩具推荐结果

1. TF-IDF 内容推荐算法

TF-IDF 内容推荐主要解决“儿童特征与玩具属性是否匹配”的问题。

系统会将儿童档案和玩具属性都转换为文本特征。

儿童画像包括：

• 年龄
• 兴趣偏好
• 能力特征

玩具特征包括：

• 玩具名称
• 教育属性
• 玩具分类
• 适配年龄

然后系统通过 TF-IDF 向量化和余弦相似度计算儿童画像与玩具特征之间的匹配程度。

TF-IDF 的基本计算思想如下：

TF = 某词在文档中出现次数 / 文档总词数
IDF = log((文档总数 + 1) / (包含该词的文档数 + 1)) + 1
TF-IDF = TF × IDF

余弦相似度计算公式如下：

similarity = (A · B) / (|A| × |B|)

为了避免只因为关键词相似而推荐不适龄玩具，系统还加入了年龄适配得分和分类兴趣得分。

最终内容推荐得分为：

内容得分 = 文本相似度 × 0.60 + 年龄适配得分 × 0.25 + 分类兴趣得分 × 0.15

TF-IDF 内容推荐特征矩阵如下：

2. User-Based 协同过滤算法

协同过滤算法主要解决“相似家长更喜欢哪些玩具”的问题。它不是只看玩具本身的属性，而是引入用户评价行为。

系统根据评价表构建用户-玩具评分矩阵：

R[user][toy] = score

然后使用皮尔逊相关系数计算当前家长与其他家长之间的相似度，选择 Top-K 相似用户，并根据相似用户对候选玩具的评分预测当前家长可能给出的评分。

协同过滤评分矩阵如下：

协同过滤的推荐步骤如下：

1. 构建用户-玩具评分矩阵。
2. 计算当前家长与其他家长的相似度。
3. 选取 Top-K 相似家长。
4. 根据相似家长评分预测当前用户对候选玩具的评分。
5. 如果用户评价数据不足，则使用人气推荐作为降级策略。

3. 混合加权推荐算法

单独使用 TF-IDF 内容推荐，会更依赖儿童档案和玩具属性；单独使用协同过滤，则依赖历史评价数据。如果新用户没有评价记录，协同过滤的预测效果会不稳定。

因此，系统采用混合推荐策略，将两种算法的结果进行加权融合。

正常模式下：

最终得分 = TF-IDF内容得分 × 0.60 + 协同过滤得分 × 0.40

冷启动模式下，如果当前家长评价数据少于 3 条，则提高内容推荐权重：

冷启动最终得分 = TF-IDF内容得分 × 0.85 + 协同过滤得分 × 0.15

这样设计的原因是：新用户评价数据较少时，协同过滤预测不够稳定，此时更应该依赖儿童档案和玩具属性完成基础匹配。当用户评价数据逐渐积累后，再提高协同过滤的影响，使推荐结果更贴近真实偏好。

混合推荐最终得分矩阵如下：

九、后端接口与实现逻辑

玩具匹配接口位于 ToyController 中：

@GetMapping("/match")
public Result<Map<String, Object>> matchByChild(@RequestParam Long childId) {
    return Result.ok(toyService.matchByChild(childId));
}

核心业务逻辑位于 ToyService.matchByChild：

HybridRecommendEngine.RecommendResult result = hybridRecommendEngine.recommend(
        child, child.getParentId(), allToys, allEvaluations, 50);

接口返回的数据包括：

• hybridToys：混合推荐排序结果
• tfidfToys：TF-IDF 内容推荐排序结果
• cfToys：协同过滤排序结果
• algorithmInfo：算法权重、冷启动模式、用户评价数量等说明信息
• totalCandidates：候选玩具数量
• matchedCount：匹配结果数量

十、项目特点总结

本系统具有以下特点：

1. 采用 Spring Boot + Vue 前后端分离架构，结构清晰。
2. 支持家长、机构、管理员三类角色，权限边界明确。
3. 实现儿童档案、玩具、早教方案、购物车、订单、评价等完整业务流程。
4. 增加玩具分类管理，分类数据进入数据库设计和推荐算法。
5. 引入 TF-IDF 内容推荐算法，解决儿童画像与玩具属性匹配问题。
6. 引入 User-Based 协同过滤算法，利用家长历史评价数据优化推荐。
7. 采用混合加权推荐策略，兼顾内容匹配和用户行为反馈。
8. 支持冷启动处理，避免新用户评价数据不足导致推荐结果不可用。
9. 推荐结果包含匹配分数，具备一定可解释性。

十一、总结

本文介绍的儿童益智玩具早教方案匹配平台，围绕儿童早教场景，完成了从儿童档案维护、玩具资源管理、智能推荐、购物下单到评价反馈的完整业务闭环。

系统不仅实现了基础平台功能，还重点加入了 TF-IDF 内容推荐、协同过滤和混合加权推荐算法，使平台具备个性化推荐能力和可解释性。

后续可以继续扩展移动端或小程序端，并结合更多用户行为数据、课程学习记录和儿童成长测评数据进一步优化推荐效果。

标签建议

Spring Boot
Vue
MySQL
毕业设计
推荐算法
TF-IDF
协同过滤
前后端分离
儿童早教
管理系统

联系我们定制开发