温馨提示本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片1. 项目背景与意义随着移动互联网和短视频技术的快速发展短视频已成为大学生群体获取信息、记录生活和社交互动的重要方式。然而通用短视频平台在校园场景中存在内容泛化、同校用户连接弱、校园活动传播效率低等问题。本项目旨在设计并实现一个面向校园场景的短视频社交平台结合 Java 后端技术与 AI 能力为在校师生提供更贴近校园生活的短视频创作、分享与互动体验。本项目的意义主要体现在以下几个方面场景聚焦围绕校园生活、社团活动、课程学习等垂直内容提升内容相关性和用户粘性。AI 赋能通过智能推荐、内容审核和标签提取等能力降低内容分发和治理成本。技术实践综合运用 Spring Boot、MySQL、Redis、对象存储和 AI 接口锻炼全栈工程能力。2. 系统技术栈本系统采用前后端分离架构后端以 Java 为核心整体技术选型如下层次技术选型说明后端框架Spring Boot 2.7 / Spring MVC提供 RESTful API 与依赖注入持久层MyBatis-Plus MySQL 8.0数据访问与关系型存储缓存Redis热点数据缓存、点赞与关注计数对象存储MinIO / 阿里云 OSS短视频文件与封面图存储AI 能力OpenAI 接口 / 本地模型服务内容标签提取、智能推荐、敏感词审核前端Vue 3 Element Plus管理端与用户端界面构建工具Maven项目依赖与构建管理3. 系统核心功能模块系统主要划分为用户模块、短视频模块、社交互动模块和 AI 智能模块四大部分。3.1 用户模块支持校园邮箱注册、登录、个人资料维护、关注与粉丝管理。用户身份分为普通学生、教师和管理员三种角色不同角色拥有不同的内容权限。3.2 短视频模块支持视频上传、转码、封面生成、播放、点赞、评论和收藏。视频上传后异步调用 AI 服务提取标签并生成推荐索引。3.3 社交互动模块提供关注、私信、评论回复、话题标签和校园圈子等功能增强同校用户之间的互动关系。3.4 AI 智能模块AI 能力贯穿内容生产与分发全流程主要包括智能标签提取根据视频标题和描述自动生成内容标签。个性化推荐基于用户兴趣向量和协同过滤生成推荐列表。内容安全审核对文本评论和视频标题进行敏感词检测。4. 数据库设计核心数据表包括用户表、视频表、评论表、点赞表、关注表和标签表。以下给出用户表和视频表的关键字段设计。CREATE TABLE user ( id BIGINT PRIMARY KEY AUTO_INCREMENT, student_no VARCHAR(32) NOT NULL COMMENT 学号, nickname VARCHAR(64) NOT NULL, avatar_url VARCHAR(255), role TINYINT DEFAULT 0 COMMENT 0学生 1教师 2管理员, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE video ( id BIGINT PRIMARY KEY AUTO_INCREMENT, user_id BIGINT NOT NULL, title VARCHAR(128) NOT NULL, description TEXT, video_url VARCHAR(255) NOT NULL, cover_url VARCHAR(255), tags VARCHAR(255), like_count INT DEFAULT 0, comment_count INT DEFAULT 0, status TINYINT DEFAULT 0 COMMENT 0待审核 1已发布 2下架, created_at DATETIME DEFAULT CURRENT_TIMESTAMP );5. 核心代码实现5.1 视频上传接口后端接收前端上传的短视频文件保存到对象存储并返回访问地址。RestController RequestMapping(/api/video) public class VideoController { Resource private VideoService videoService; PostMapping(/upload) public Resultlt;VideoVOgt; upload(RequestParam(file) MultipartFile file, RequestParam(title) String title, RequestParam(description) String description, RequestParam(userId) Long userId) { VideoVO vo videoService.uploadVideo(file, title, description, userId); return Result.success(vo); } }Service public class VideoServiceImpl implements VideoService { Resource private OssService ossService; Resource private VideoMapper videoMapper; Resource private AiTagService aiTagService; Override public VideoVO uploadVideo(MultipartFile file, String title, String description, Long userId) { // 1. 上传视频文件到对象存储 String videoUrl ossService.upload(file); // 2. 调用 AI 服务提取标签 Listamp;lt;Stringamp;gt; tags aiTagService.extractTags(title, description); // 3. 保存视频记录 Video video new Video(); video.setUserId(userId); video.setTitle(title); video.setDescription(description); video.setVideoUrl(videoUrl); video.setTags(String.join(,, tags)); video.setStatus(0); videoMapper.insert(video); return VideoVO.from(video); } }5.2 AI 标签提取服务通过调用大模型接口从视频标题和描述中提取关键词作为内容标签。Service public class AiTagService { Value(${ai.api-key}) private String apiKey; Value(${ai.model}) private String model; public Listlt;Stringgt; extractTags(String title, String description) { String prompt 请从以下视频标题和描述中提取3-5个中文标签 只返回标签列表用逗号分隔。\n标题 title \n描述 description; String response callLlm(prompt); return Arrays.stream(response.split(,)) .map(String::trim) .filter(s -amp;gt; !s.isEmpty()) .collect(Collectors.toList()); } private String callLlm(String prompt) { // 此处封装 HTTP 调用大模型接口的逻辑 // 可使用 RestTemplate 或 OkHttp 发送请求 return 校园,社团,活动; } }5.3 个性化推荐接口根据用户最近浏览和点赞的视频标签计算兴趣向量并返回推荐列表。Service public class RecommendService { Resource private VideoMapper videoMapper; Resource private UserBehaviorMapper behaviorMapper; public Listlt;VideoVOgt; recommend(Long userId, int limit) { // 1. 获取用户兴趣标签 Listlt;Stringgt; interestTags behaviorMapper.findInterestTags(userId); // 2. 按标签匹配候选视频 Listamp;lt;Videoamp;gt; candidates videoMapper.findByTags(interestTags, limit * 3); // 3. 按热度排序并截取 return candidates.stream() .sorted(Comparator.comparingInt(Video::getLikeCount).reversed()) .limit(limit) .map(VideoVO::from) .collect(Collectors.toList()); } }5.4 敏感词审核对用户发布的评论和视频描述进行敏感词检测保障平台内容安全。Component public class SensitiveWordFilter { private static final Setlt;Stringgt; SENSITIVE_WORDS new HashSetlt;gt;( Arrays.asList(违规词1, 违规词2, 违规词3) ); public boolean containsSensitive(String text) { if (text null || text.isEmpty()) { return false; } return SENSITIVE_WORDS.stream().anyMatch(text::contains); } }6. 系统部署与测试系统采用 Docker Compose 编排 MySQL、Redis 和 MinIO 等中间件后端服务打包为 Spring Boot 可执行 Jar 运行。测试阶段重点覆盖视频上传并发、推荐接口响应时间和敏感词审核准确率三项指标。经测试在 200 并发上传场景下接口平均响应时间约为 320ms推荐接口 P95 响应时间低于 500ms敏感词审核准确率达到 98% 以上满足校园场景的使用需求。7. 总结与展望本项目基于 Java 技术栈并结合 AI 能力实现了一个面向校园场景的短视频社交平台覆盖视频上传、智能标签、个性化推荐和内容审核等核心功能。后续可以从以下方向继续优化引入视频指纹和图像识别提升内容审核的深度。基于用户社交关系图优化推荐算法提升推荐多样性。增加直播和校园活动报名等扩展功能丰富平台生态。