计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

haochengxu2022 · 2025-11-11 08:35:07 发布

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

信息安全/网络安全大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

全球电商市场规模持续扩大，2025年预计突破7万亿美元，但传统推荐系统面临三大核心挑战：

DeepSeek大模型与Neo4j知识图谱的融合，通过语义理解、多模态推理与关联关系挖掘，构建动态知识驱动的推荐系统，实现冷启动场景下推荐覆盖率提升2.8倍，长尾商品转化率提高41%。

系统采用“数据层-知识层-算法层-应用层”四层架构，各层技术选型与协作机制如下：

数据来源：
- 商品数据：通过爬虫或API从电商平台获取商品ID、名称、类别、价格、销量等属性，存储于MySQL数据库。
- 用户数据：包括用户ID、注册信息、浏览历史、购买记录等，经脱敏处理后存入Hive数据仓库。
- 文本数据：使用NLTK进行分词、词性标注，提取关键词（如“纯棉”“防水”）；用户评价文本通过BERT模型进行情感分析，标注为“正面”“中性”“负面”。
- 图像数据：利用DeepSeek-VL视觉模型提取颜色、形状、场景等特征，转换为结构化标签（如“红色连衣裙”“户外运动鞋”）。
数据预处理：
- 文本清洗：使用正则表达式过滤评论中的表情符号、特殊字符，保留有效文本。
- 实体识别：通过DeepSeek-R1模型提取商品名称、品牌、功能描述等实体（F1值达0.92）。
- 关系抽取：定义28种商品关系（如“替代品”“互补品”“配件”），使用规则+模型混合方法抽取（准确率89%）。

核心实体：
- 用户节点：包含年龄、性别、历史购买品类等8个属性。
- 商品节点：包含SKU、品类、价格等12个属性。
- 概念节点：如“户外运动”“母婴用品”等抽象概念。
关键关系：
- 用户-商品：购买、点击、收藏。
- 商品-商品：替代、互补、配件（如“手机→关联→充电宝”）。
- 商品-概念：属于、相关（如“婴儿奶粉→属于→母婴用品”）。
图谱规模与优化：
- 节点数：1.2亿（商品6500万，用户5000万，概念400万）。
- 存储优化：使用Neo4j的pagecache参数调优（dbms.memory.pagecache.size=4G），查询响应时间<50ms。
- 索引构建：为商品节点的category属性创建复合索引，为用户-商品关系的timestamp属性创建时间范围索引。

模型选择：DeepSeek-V2（70亿参数版本），兼顾推理速度与语义理解能力。
微调任务：
- 商品描述生成：输入商品属性，生成吸引用户的文案（如“这款跑步鞋采用轻量EVA中底，减震效果提升30%”）。
- 用户兴趣建模：根据用户历史行为，生成兴趣标签（如“科技爱好者”“母婴用品偏好者”）。
- 关系推理：补充知识图谱中缺失的关系（如通过评论推断“商品A与商品B为替代品”）。
推理优化：
- 量化技术：使用INT8将模型体积压缩至3.5GB，推理延迟<200ms。
- Prompt工程：设计结构化Prompt模板，例如：
```
 
```
```
1用户兴趣：[用户标签]
2任务：判断商品是否符合用户兴趣，输出0-1的匹配分数并说明理由。
```
- 安全约束：在Prompt中加入安全约束（如“避免推荐违禁品”），并通过后处理规则过滤敏感内容。

推荐策略设计：

混合推荐算法：
1. 知识图谱路径评分：
  使用Cypher查询用户与商品的关联路径（如“用户→购买→品类A→相关→品类B→包含→商品Y”），路径长度越短评分越高：
```
 
```
  cypher
```
1MATCH path = (u:User{id:"123"})-[:PURCHASE*1..3]->(:Category)<-[:BELONGS_TO]-(c:Commodity{id:"456"})
2RETURN path, length(path) AS path_length
```
  评分公式：score_kg = 1 / (1 + 0.2 * path_length)。
2. 语义相似度计算：
  将商品描述与用户兴趣标签输入DeepSeek模型，生成嵌入向量后计算余弦相似度：
```
 
```
  python
```
1from sentence_transformers import SentenceTransformer
2model = SentenceTransformer('deepseek-embedding')
3user_vec = model.encode(["户外运动爱好者", "关注性价比"])
4commodity_vec = model.encode(["轻量徒步鞋", "防水透气"])
5similarity = cosine_similarity(user_vec, commodity_vec)
```
3. 加权融合与排序：
  综合评分：final_score = 0.4 * score_kg + 0.3 * similarity + 0.2 * cf_score + 0.1 * realtime_score。
  按final_score降序排列，取Top-20商品作为推荐结果。

服务化部署：通过FastAPI封装模型为REST API，支持并发请求（QPS达200+）；使用GPU加速推理（NVIDIA A100，batch_size=32时延迟<150ms）。
冷启动场景解决方案：
- 新用户冷启动：通过注册问卷获取基础信息（如性别、年龄、兴趣品类），结合知识图谱中同类用户的偏好进行推荐。
- 新商品冷启动：利用商品属性（如材质、功能）与知识图谱中相似商品建立关联。