技术栈设计

后端（SpringBoot）

• 框架：SpringBoot 2.7.x + Spring Security
• 数据库：MySQL 8.0（关系型） + Redis（缓存）
• 大数据处理：Hadoop/Spark（用户行为分析） + Elasticsearch（职位搜索）
• 消息队列：RabbitMQ/Kafka（异步推荐任务）
• 其他工具：Lombok、MyBatis-Plus、Swagger（API文档）

前端（Vue）

• 框架：Vue 3 + TypeScript + Pinia（状态管理）
• UI库：Element Plus + ECharts（数据可视化）
• 工具：Axios（HTTP请求）、Vue Router（路由）

---

功能模块设计

1. 用户模块

• 注册/登录（JWT鉴权）
• 个人中心（简历上传、技能标签管理）
• 求职偏好设置（行业、薪资范围）

2. 职位模块

• 职位分类浏览（Elasticsearch全文检索）
• 智能排序（结合用户偏好与历史行为）
• 职位收藏与投递记录

3. 推荐模块

• 协同过滤推荐（基于用户相似度）
• 内容推荐（职位关键词匹配简历）
• 实时推荐（Spark Streaming处理点击流）

4. 数据分析模块

• 用户行为统计（Hadoop离线分析）
• 热招岗位可视化（ECharts仪表盘）

---

数据库设计（核心表）

用户表（user）

CREATE TABLE user (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  username VARCHAR(50) UNIQUE,
  password VARCHAR(100),
  email VARCHAR(100),
  education VARCHAR(20),
  skill_tags JSON  -- 存储技能标签如["Java","大数据"]
);

职位表（job）

CREATE TABLE job (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  title VARCHAR(100),
  company_id BIGINT,
  salary_range VARCHAR(50),
  description TEXT,
  keywords JSON  -- 职位关键词如["后端","SpringBoot"]
);

行为记录表（behavior_log）

CREATE TABLE behavior_log (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  user_id BIGINT,
  job_id BIGINT,
  action ENUM('click','apply','collect'),
  timestamp DATETIME
);

---

系统测试设计

1. 单元测试（JUnit + Mockito）

• 测试Service层推荐算法逻辑：

@Test
void testCollaborativeFiltering() {
  List<Long> similarUsers = recommendationService.findSimilarUsers(1L);
  assertFalse(similarUsers.isEmpty());
}

2. 集成测试（TestContainers）

• 测试Elasticsearch职位搜索接口：

@SpringBootTest
class JobSearchTest {
  @Autowired
  private JobSearchService searchService;

  @Test
  void searchByKeyword() {
    List<Job> jobs = searchService.search("Java工程师", 0, 10);
    assertTrue(jobs.size() > 0);
  }
}

3. 压力测试（JMeter）

• 模拟1000并发用户测试推荐接口响应时间
• 监控Redis缓存命中率与MySQL查询性能

---

源码结构示例

backend/
├── src/main/java/
│   ├── com/example/recommend/
│   │   ├── controller/  # 接口层
│   │   ├── service/     # 推荐算法实现
│   │   └── jobs/        # Spark离线任务
frontend/
├── src/
│   ├── api/             # Axios请求封装
│   ├── stores/          # Pinia状态管理
│   └── views/           # 推荐结果页等Vue组件

---

关键算法（协同过滤）

用户相似度计算（余弦相似度）：

$ \text{similarity}(u,v) = \frac{\sum_{i} r_{ui} \cdot r_{vi}}{\sqrt{\sum_{i} r_{ui}^2} \cdot \sqrt{\sum_{i} r_{vi}^2}} $

其中 $r_{ui}$ 表示用户 $u$ 对职位 $i$ 的点击权重。