企业官网建设流程全解析

博主介绍：✌ 专注于VUE,小程序，安卓，Java,python,物联网专业，有18年开发经验，长年从事毕业指导，项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题，我会尽力帮助你。

一、研究目的

本研究旨在构建一套基于SpringBoot框架的考研院校智能匹配助手，以解决当前考研信息获取与院校选择过程中存在的碎片化、冗余与主观性问题。通过聚合全国高校及专业的招生简章、历年录取分数线、师资力量与科研实力等多维度数据，并结合学生自身学术背景、兴趣倾向和职业规划，利用协同过滤与内容推荐算法实现精准匹配，从而降低考生在信息筛选与决策中的认知负荷。研究的核心目标在于通过技术手段提升考研院校选择的客观性与科学性，使学生能够在有限的时间内获取最符合自身条件与发展需求的院校列表，并对比各院校的录取概率、专业优势与未来就业前景。为实现上述目标，本研究将首先搭建一套可扩展的数据采集与清洗管道，确保数据来源的完整性与时效性；随后设计并实现基于SpringBoot的后端服务，提供高并发、低延迟的推荐接口；再者，在前端层面采用响应式框架呈现交互式可视化结果，使用户能够直观地评估不同院校与专业的匹配度。研究还将通过实验验证推荐系统的准确性与用户满意度，采用A/B测试与问卷调查相结合的方法，对比传统手工筛选与本系统推荐在决策效率和结果质量上的差异。最终，本研究期望为考研学生提供一款高效、精准且易用的院校匹配工具，同时为高校招生信息公开与智能化服务提供可借鉴的技术框架与实现路径。

二、研究意义

本研究具有多层次的理论与实践意义。首先，从信息科学视角看，考研院校匹配问题属于典型的多属性决策与推荐系统范畴，涉及数据挖掘、机器学习与人机交互等交叉技术。通过构建基于SpringBoot的后端服务与协同过滤算法，本研究为高校招生信息管理提供了可复制、可扩展的技术架构，填补了国内在教育信息化领域中针对考研院校匹配的空白。其次，教育公平与资源优化是当前高等教育改革的重要议题。传统的院校选择往往受限于信息不对称与主观偏见，导致优秀学生因信息不足或误判而错失理想院校。本研究通过数据驱动的匹配机制，使考生能够在客观、透明的数据基础上做出决策，从而降低因信息不平衡导致的择校失误，促进教育资源的合理配置。再次，针对高校而言，本系统可提供精准的招生需求预测与专业定位分析。通过对历年录取分数线与学生匹配度的统计，学校能够及时调整招生计划、优化专业结构，以适应社会经济发展与人才培养需求。再者，从技术创新角度看，本研究在SpringBoot框架下实现高并发推荐服务的经验，可为其他教育类大数据平台提供参考，推动后端技术在教育行业的落地应用。最后，系统的可视化交互与用户体验设计，为学生提供了直观、易用的决策工具，提升了考研准备过程中的效率与满意度。综上所述，本研究不仅在学术上丰富了推荐系统与教育信息化的交叉研究，也在实践层面为考生、高校及教育主管部门提供了可操作的技术方案，具有显著的社会价值与推广前景。

三、国内外研究现状

在全球范围内，推荐系统的研究已从传统的协同过滤与基于内容的方法逐步演进为融合深度学习、图神经网络与强化学习等技术的复合模型。早期学术工作主要聚焦于用户兴趣挖掘与项目相似度计算，随后随着大数据技术的发展，研究者开始将矩阵分解、隐语义模型以及稀疏编码等方法引入推荐框架，以提升预测精度与可解释性。在教育领域，尤其是高校招生与课程推荐方面，学术界已提出多种基于学生学业成绩、兴趣爱好及职业规划的个性化匹配方案。通过构建学生-项目交互矩阵，利用隐语义模型提取潜在特征，研究者能够对未见过的院校与专业进行评分预测，从而为考生提供参考。

针对研究生院校选择的具体场景，国外学术工作多采用预测录取分数线与匹配度相结合的方法。部分研究利用历史录取数据构建回归模型，预测不同专业的录取门槛；另一些工作则将学生的本科成绩、科研经历与兴趣标签映射至向量空间，运用余弦相似度或欧氏距离进行匹配。近年来，深度学习技术被引入该领域，研究者尝试使用卷积神经网络提取高校招生简章中的文本特征，并结合学生画像进行端到端的匹配预测。此类方法在提高匹配精度的同时，也面临数据稀疏与可解释性不足的问题。

在国内，学术界对研究生院校匹配的关注度持续升温。多篇论文基于全国高校招生信息平台采集的数据，构建了包含院校、专业、录取分数线及师资力量等多维属性的数据集。研究者采用机器学习算法，如随机森林、梯度提升树以及支持向量机，对录取分数线进行预测，并将预测结果与学生自身成绩进行对齐，生成个性化的院校列表。此外，国内部分工作尝试利用自然语言处理技术对招生简章进行信息抽取，将专业描述、培养目标与课程设置等文本信息转化为结构化特征，以增强匹配模型的语义表达能力。值得一提的是，一些高校与科研机构合作开发了基于SpringBoot框架的原型系统，展示了将后端服务与前端可视化结合的完整技术路线。

尽管国内外在该领域已取得一定成果，但仍存在若干挑战。首先，数据来源的异质性导致特征提取与对齐困难；其次，招生政策与录取标准的频繁调整使得模型需要持续更新，以保持预测准确性；再次，学生画像信息的隐私保护与合规使用成为不可忽视的问题。再者，现有模型多侧重于评分预测，而缺乏对匹配结果的可解释性与透明度设计，限制了其在实际决策中的信任度。

综上所述，国内外研究已从传统协同过滤方法发展到融合深度学习与文本挖掘的多模态推荐框架，并在研究生院校匹配方面取得了一定的预测与匹配效果。然而，数据稀疏、动态更新与隐私保护等问题仍待进一步解决。未来研究可聚焦于构建更为完整的数据生态系统、探索可解释性强的匹配算法以及完善用户隐私保障机制，以实现更精准、更可信的考研院校智能匹配服务。

四、预期达到目标及解决的关键问题

预期目标在于构建一套基于SpringBoot框架的高性能考研院校智能匹配助手，能够实现全国高校招生信息的实时采集与清洗、学生画像的多维度构建、以及基于协同过滤与深度学习融合模型的精准匹配，并通过可视化前端呈现匹配结果，从而显著提升考生在院校选择过程中的决策效率与满意度。系统设计将兼顾可扩展性与高并发处理能力，支持多租户部署与动态配置，以适应不同地区、不同专业的招生信息差异；同时，将采用微服务架构拆分数据采集、模型推理与结果展示等功能模块，降低耦合度并提升系统可维护性。关键问题主要集中在数据质量与一致性保障方面，需解决高校招生简章文本的结构化抽取与属性映射不一致导致的特征噪声；在模型层面，如何在学生画像稀疏且动态变化的前提下保持匹配准确性与鲁棒性是核心挑战；此外，系统需要满足个人信息保护法规要求，设计安全的身份认证与数据访问控制机制，并提供可解释的匹配理由以增强用户信任。技术实现上，还需优化SpringBoot后端服务的线程池与连接池配置，以支持高并发请求；数据库层面需设计高效的索引与分区策略，确保大规模招生数据的快速检索。通过解决上述关键问题，系统将实现从数据采集到匹配结果输出的全流程闭环，为考研学生提供可靠、透明且易用的院校选择工具。

五、研究内容

本研究以构建一套基于SpringBoot框架的考研院校智能匹配助手为核心目标，整体研究内容可分为数据采集与预处理、学生画像构建、匹配算法设计与实现、系统架构与部署以及实验验证与评估五大模块。首先，在数据采集与预处理阶段，计划从全国高校招生信息平台、教育部官方数据库及各省教育考试院公开渠道获取高校招生简章、历年录取分数线、师资力量、科研项目与就业去向等多维度信息；随后采用正则表达式与自然语言处理技术对文本数据进行结构化抽取，将非结构化的招生简章转换为统一的属性字段；在此基础上，利用数据清洗脚本剔除重复记录、填补缺失值，并通过标准化与归一化处理保证不同来源数据的一致性。其次，学生画像构建模块将聚焦于收集考生的本科成绩、专业排名、科研经历、兴趣爱好与职业规划等信息；通过多维度特征工程，将数值型属性映射为分数区间标签，文本型属性转化为词向量或主题分布；进一步利用聚类算法对学生群体进行细分，为后续匹配提供细粒度的用户画像。随后，匹配算法设计与实现是研究的技术核心；首先基于协同过滤构建用户-院校评分矩阵，利用矩阵分解技术提取潜在因子；其次引入内容推荐模块，对高校属性与学生兴趣进行余弦相似度计算；随后将两种模型融合，采用加权投票或深度学习融合网络提升匹配精度；在模型训练阶段，将使用历史录取数据作为监督信号，采用交叉验证与网格搜索调参，最终得到最优模型参数。系统架构与部署模块则围绕SpringBoot微服务框架展开；后端服务将拆分为数据采集服务、特征工程服务、推荐引擎服务与用户管理服务，每个服务通过RESTful API互联；数据库层面采用分布式关系型数据库与缓存系统结合，支持高并发查询；前端则使用响应式框架展示匹配结果，并提供交互式可视化组件，如热力图、雷达图与匹配理由解释。实验验证与评估阶段将通过A/B测试与问卷调查相结合，比较系统推荐与传统手工筛选在决策效率、满意度与录取成功率上的差异；同时采用指标如召回率、准确率、MAP以及用户体验评分进行量化评估。最后，针对数据隐私与安全问题，将实现基于OAuth2.0的身份认证、数据加密传输与访问权限控制，并在系统设计中嵌入可解释性模块，向用户展示匹配理由与关键影响因素，以提升系统可信度。通过上述研究内容的系统实施，本项目将实现从海量招生信息到个性化院校推荐的闭环流程，为考研学生提供科学、透明且高效的决策支持工具。

六、需求分析

用户需求方面，考研学生首先期望系统能够提供完整、实时的高校招生信息，包括各院校的专业设置、历年录取分数线、师资力量与科研项目以及就业去向等多维度数据；其次，他们需要一种高效、直观的搜索与筛选方式，以便根据自身成绩、兴趣与职业规划快速定位合适的院校与专业；再次，用户渴望获得个性化的匹配结果，并能看到匹配理由与关键影响因素，从而提升决策的透明度与信任度；此外，学生关注数据安全与隐私保护，希望个人信息能够得到加密存储、访问受限，并且在使用过程中不被第三方泄露；最后，用户还希望系统能够提供交互式可视化工具，如热力图、雷达图与趋势分析，以便更直观地比较不同院校与专业的优势与匹配度。

功能需求方面，系统必须具备高效的数据采集模块，能够自动抓取并解析全国高校招生简章、历年录取分数线及师资信息，并将非结构化文本转化为结构化属性；用户画像管理模块应支持学生信息的录入、编辑与删除，并通过特征工程生成数值型与文本型特征，形成完整的用户画像；推荐引擎模块需实现协同过滤与内容推荐算法的融合，提供精准匹配结果，并支持模型在线更新与参数调优；结果展示模块应提供多种可视化视图，如热力图、雷达图、柱状图与趋势线，帮助用户直观比较院校与专业，并在每条推荐记录下显示匹配理由与影响因素；设置与偏好管理模块允许用户自定义筛选条件、优先级权重与通知方式；安全与权限管理模块必须实现基于OAuth2.0的身份认证、数据加密传输、访问控制与审计日志，以确保系统在满足功能需求的同时，兼顾隐私保护与合规性。

七、可行性分析

经济可行性方面，本研究所需的硬件与软件资源主要集中在服务器集群、数据库存储以及数据抓取与处理工具。基于云计算平台的弹性伸缩能力，可按需配置CPU、内存与存储空间，避免一次性大额投入；同时，采用开源技术栈如SpringBoot、MySQL、Redis与Elasticsearch，可显著降低软件许可费用。项目开发周期预计为一年，人工成本主要由研发工程师、数据科学家与前端设计师构成。通过与高校招生信息平台合作获取公开数据，可减少数据采集成本；若需深度文本抽取，可利用已有的自然语言处理开源模型，进一步降低研发支出。整体预算预计在数十万元人民币之间，具备可接受的投资回报预期。

社会可行性方面，考研学生群体庞大且对院校信息获取存在明显痛点。提供精准匹配与可视化决策支持，将直接提升学生的择校效率与满意度，符合教育公平与信息公开的社会需求。系统上线后，可通过高校招生办公室、教育主管部门及在线学习平台进行推广，形成多方共赢的生态链。与此同时，系统将严格遵守个人信息保护法规，采用数据脱敏与加密存储技术，保障用户隐私，从而获得社会公众与监管机构的信任。若系统在实际应用中取得良好效果，可进一步扩展至本科生选专业、职业规划等教育决策领域，提升其社会影响力。

技术可行性方面，数据采集与清洗技术已相对成熟。通过爬虫框架与正则表达式可实现高校招生简章的自动抓取；自然语言处理工具如分词、命名实体识别与主题建模，可将非结构化文本转化为结构化特征。推荐算法方面，协同过滤与内容推荐已在工业界得到广泛验证；将两者融合并引入深度学习模型，可进一步提升匹配精度。SpringBoot框架提供的微服务架构与RESTful API设计，使后端服务易于扩展与维护；数据库层面采用分布式关系型数据库与缓存技术，可满足高并发查询需求。系统整体实现可在标准的云服务器上完成，且已具备可水平扩展的设计，技术风险相对可控。

八、功能分析

系统功能模块可划分为七大核心部分，分别为数据采集与预处理模块、用户画像管理模块、推荐引擎模块、结果展示与可视化模块、设置与偏好管理模块、安全与访问控制模块以及通知与反馈模块。数据采集与预处理模块负责从全国高校招生信息平台、教育部官方数据库及各省教育考试院公开渠道自动抓取高校招生简章、历年录取分数线、师资力量、科研项目与就业去向等多维度信息，并通过正则表达式与自然语言处理技术将非结构化文本转换为结构化属性；随后对数据进行清洗、去重与缺失值填补，最终存入统一的数据仓库。用户画像管理模块允许考研学生录入本科成绩、专业排名、科研经历、兴趣爱好与职业规划等信息，并通过特征工程将数值型属性映射为分数区间标签，文本型属性转化为词向量或主题分布，形成完整的多维度用户画像；该模块还支持用户信息的增删改查与隐私设置。推荐引擎模块基于协同过滤算法构建用户-院校评分矩阵，并利用矩阵分解提取潜在因子；与此同时，内容推荐子模块对高校属性与学生兴趣进行余弦相似度计算；两种模型的输出通过加权投票或深度学习融合网络进行整合，最终生成个性化的院校与专业匹配列表，并返回匹配概率与解释信息。结果展示与可视化模块以响应式前端技术呈现推荐结果，提供热力图、雷达图、柱状图与趋势线等多种可视化视图，帮助用户直观比较不同院校与专业的优势与匹配度；每条推荐记录下均显示匹配理由与关键影响因素，以提升决策透明度。设置与偏好管理模块允许用户自定义筛选条件、优先级权重、通知方式与数据展示格式，支持多租户配置并提供导入导出功能。安全与访问控制模块实现基于OAuth2.0的身份认证、数据加密传输、访问权限细粒度控制与审计日志记录，确保个人信息得到充分保护并满足监管要求。通知与反馈模块负责向用户推送系统更新、匹配结果变更与重要公告，并收集用户使用反馈，用于持续改进模型与界面体验。通过上述七大模块的协同工作，系统能够实现从海量招生信息的自动采集到个性化院校匹配的闭环流程，为考研学生提供科学、透明且高效的决策支持。

九、数据库设计

用户表（User）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 用户唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK | 主键，自增
username | 登录用户名 | 50 | VARCHAR(50) NOT NULL UNIQUE | - | 唯一索引
password_hash | 密码哈希值 | 255 | VARCHAR(255) NOT NULL | - | 使用安全哈希算法存储
email | 邮箱地址 | 100 | VARCHAR(100) NOT NULL UNIQUE | - | 用于账号验证与通知
created_at | 账号创建时间 | 19 | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - | 自动记录

用户画像表（UserProfile）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
user_id | 用户标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(User.id) | 与 User 表关联
gpa | 本科绩点（四舍五入到两位小数） | 4,2 | DECIMAL(4,2) NOT NULL | - | 取值范围 0.00–4.00
major_rank | 专业排名（相对全国） | 10 | INT UNSIGNED NOT NULL | - | 小数越大排名越靠前
research_experience_count | 科研经历数量 | 3 | INT UNSIGNED NOT NULL DEFAULT 0 | - |
interests | 兴趣标签（逗号分隔） | 200 | VARCHAR(200) NULL | - |

高校表（University）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 高校唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
name | 高校名称（全称） | 100 | VARCHAR(100) NOT NULL UNIQUE | - |
location | 所在省市（简写） | 50 | VARCHAR(50) NOT NULL | - |

专业表（Program）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 专业唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
university_id | 所属高校标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(University.id) |
name | 专业名称（如“计算机科学与技术”） | 100 | VARCHAR(100) NOT NULL | - |
department | 院系名称（如“信息工程学院”） | 100 | VARCHAR(100) NULL | - |

录取信息表（AdmissionRecord）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 记录唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
program_id | 专业标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(Program.id) |
year | 招生年份（四位数） | 4 | SMALLINT UNSIGNED NOT NULL | - |
admission_score_min | 最低录取分数线（保留一位小数） | 5,1 | DECIMAL(5,1) NOT NULL | - |
admission_score_max | 最高录取分数线（保留一位小数） | 5,1 | DECIMAL(5,1) NOT NULL | - |

师资信息表（Faculty）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 师资唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
program_id | 所属专业标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(Program.id) |
faculty_name | 教授姓名（或职称） | 100 | VARCHAR(100) NOT NULL | - |
rank | 学术排名或职称（如“教授”） | 50 | VARCHAR(50) NULL | -

科研项目表（ResearchProject）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 项目唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
program_id | 所属专业标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(Program.id) |
project_title | 项目名称（如“人工智能与大数据”） | 200 | VARCHAR(200) NOT NULL | - |
funding_amount | 经费金额（万元，保留两位小数） | 10,2 | DECIMAL(10,2) NULL | -

就业去向表（EmploymentOutcome）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 去向唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
program_id | 所属专业标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(Program.id) |
employment_rate | 就业率（百分比，保留一位小数） | 5,1 | DECIMAL(5,1) NOT NULL | -
average_salary | 平均薪资（万元，保留两位小数） | 10,2 | DECIMAL(10,2) NOT NULL | -

推荐记录表（RecommendationLog）
字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
id | 推荐记录唯一标识 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK |
user_id | 用户标识（外键） | 10 | INT UNSIGNED NOT NULL | FK(User.id) |
timestamp | 推荐时间戳（精确到秒） | 19 | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | -
recommended_programs_json | 推荐专业列表（JSON 格式，包含专业 id、匹配分数、匹配理由） | 5000 | TEXT NOT NULL | -

以上表结构遵循第一范式至第三范式，避免了数据冗余与更新异常。所有外键均已明确声明，保证了参照完整性。字段类型与长度均按实际业务需求设定，可在生产环境中进一步根据数据量进行索引与分区优化。

十、建表语句

CREATE DATABASE IF NOT EXISTS research_match DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
USE research_match;

-- 用户表
CREATE TABLE User (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
username VARCHAR(50) NOT NULL UNIQUE,
password_hash VARCHAR(255) NOT NULL,
email VARCHAR(100) NOT NULL UNIQUE,
created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 用户画像表
CREATE TABLE UserProfile (
user_id INT UNSIGNED NOT NULL,
gpa DECIMAL(4,2) NOT NULL,
major_rank INT UNSIGNED NOT NULL,
research_experience_count INT UNSIGNED NOT NULL DEFAULT 0,
interests VARCHAR(200) NULL,
PRIMARY KEY (user_id),
CONSTRAINT fk_userprofile_user FOREIGN KEY (user_id) REFERENCES User(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 高校表
CREATE TABLE University (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
name VARCHAR(100) NOT NULL UNIQUE,
location VARCHAR(50) NOT NULL,
PRIMARY KEY (id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 专业表
CREATE TABLE Program (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
university_id INT UNSIGNED NOT NULL,
name VARCHAR(100) NOT NULL,
department VARCHAR(100) NULL,
PRIMARY KEY (id),
KEY idx_program_university_id (university_id),
CONSTRAINT fk_program_university FOREIGN KEY (university_id) REFERENCES University(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 录取信息表
CREATE TABLE AdmissionRecord (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
program_id INT UNSIGNED NOT NULL,
year SMALLINT UNSIGNED NOT NULL,
admission_score_min DECIMAL(5,1) NOT NULL,
admission_score_max DECIMAL(5,1) NOT NULL,
PRIMARY KEY (id),
KEY idx_admission_program_year (program_id,year),
CONSTRAINT fk_admission_program FOREIGN KEY (program_id) REFERENCES Program(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 师资信息表
CREATE TABLE Faculty (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
program_id INT UNSIGNED NOT NULL,
faculty_name VARCHAR(100) NOT NULL,
rank VARCHAR(50) NULL,
PRIMARY KEY (id),
KEY idx_faculty_program_id (program_id),
CONSTRAINT fk_faculty_program FOREIGN KEY (program_id) REFERENCES Program(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 科研项目表
CREATE TABLE ResearchProject (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
program_id INT UNSIGNED NOT NULL,
project_title VARCHAR(200) NOT NULL,
funding_amount DECIMAL(10,2) NULL,
PRIMARY KEY (id),
KEY idx_project_program_id (program_id),
CONSTRAINT fk_project_program FOREIGN KEY (program_id) REFERENCES Program(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 就业去向表
CREATE TABLE EmploymentOutcome (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
program_id INT UNSIGNED NOT NULL,
employment_rate DECIMAL(5,1) NOT NULL,
average_salary DECIMAL(10,2) NOT NULL,
PRIMARY KEY (id),
KEY idx_employment_program_id (program_id),
CONSTRAINT fk_employment_program FOREIGN KEY (program_id) REFERENCES Program(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 推荐记录表
CREATE TABLE RecommendationLog (
id INT UNSIGNED NOT NULL AUTO_INCREMENT,
user_id INT UNSIGNED NOT NULL,
timestamp DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
recommended_programs_json TEXT NOT NULL,
PRIMARY KEY (id),
KEY idx_recommend_user_id (user_id),
CONSTRAINT fk_recommend_user FOREIGN KEY (user_id) REFERENCES User(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方👇🏻获取联系方式👇🏻