本项目展示了如何将DeepSeek大模型与Neo4j知识图谱结合，构建一套全栈电商AI推荐系统。系统涵盖了从商品管理、知识图谱可视化到智能对话推荐的全流程，为开发者提供了融合图数据库与大语言模型的实战参考。
智能速览
技术栈融合Vue3、SpringBoot、DeepSeek及Neo4j图数据库
管理端支持知识图谱可视化，直观展示节点与边的关系
集成协同过滤、内容推荐及大模型对话式推荐三种策略
用户端具备AI智能对话功能，可根据关键词精准检索商品
提供完整的从数据录入到购买行为模拟的全流程演示
精华内容
深入剖析该系统的技术架构与核心功能，展示如何利用知识图谱增强推荐精准度，以及AI对话在电商场景中的实际应用。
全栈技术架构
系统采用前后端分离架构，前端使用Vue3配合ElementUI Plus构建界面，后端整合SpringBoot3与MybatisPlus处理业务逻辑。
AI服务层引入Flask与PyTorch框架，分别对接Qwen与DeepSeek大模型，实现自然语言处理能力。
底层存储采用MySQL与Neo4j图数据库相结合，前者存储常规业务数据，后者负责构建商品与用户之间的复杂关系网络。
图谱可视化管理
管理后台集成了自定义的知识图谱可视化工具，能够将图数据库中的数据以图形化方式展示。
系统支持环形布局等多种视图，节点之间连线的粗细与颜色代表关系的数量与类型，如浏览、购买或收藏。
管理员可直接在界面中点击“同步数据到图数据库”，实时更新图谱状态，也可集成Neo4j官方浏览器进行更深入的Cypher查询操作。
智能对话推荐
核心亮点在于基于DeepSeek大模型的对话式推荐功能。用户可以通过自然语言描述需求，如“想要一块卡西欧手表”。
系统会自动提取关键词，并在知识图谱中进行检索匹配。若未检索到完全匹配的商品，AI会根据用户的历史浏览、购买或点赞记录，推荐可能感兴趣的商品作为补充。
这种交互方式降低了搜索门槛，提升了购物体验的智能化水平。
业务流程演示
系统完整模拟了电商业务闭环。管理员端可进行商品分类、图片上传及库存管理，用户端则支持商品浏览、搜索及模拟购买。
购买操作会实时触发库存扣减与销量增加，同时用户的交互行为会同步至知识图谱，为后续的协同过滤推荐积累数据。
搜索功能不仅限于商品名称，还支持基于标签的模糊检索，例如通过“数码电子”标签找到含“手机”关键词的商品。
该项目成功实现了传统电商系统与前沿AI技术的深度融合，通过可视化图谱与对话式交互显著提升了系统的智能化水平。对于希望探索AI应用落地的开发者而言，这套系统的代码逻辑与架构设计具有较高的参考价值。
