尧图网页设计 
1. 项目背景与意义随着全民健身意识的提升和移动互联网的普及球类运动如篮球、足球、羽毛球、网球等已成为大众最喜爱的社交健身方式之一。然而传统的约球方式如微信群接龙、线下口头约定存在信息分散、匹配效率低、组织成本高、缺乏信用保障等痛点。与此同时社交网络分析Social Network Analysis, SNA技术的成熟为理解用户关系、挖掘兴趣社群、优化推荐算法提供了新的思路。本项目旨在设计并实现一个基于Web的线上约球平台核心创新点在于引入社交网络分析技术通过分析用户之间的互动关系如共同打球、关注、组队记录构建用户社交图谱进而实现智能队友/对手推荐、活跃社群发现以及更精准的球局匹配。这不仅提升了用户的约球体验也为平台运营提供了数据驱动的决策支持。从实际意义来看该平台能够有效整合碎片化的运动资源降低约球门槛促进陌生人之间的社交破冰推动全民健身事业的发展具有较高的社会价值和经济价值。2. 系统需求分析本系统面向三类核心用户角色普通球友、球局组织者队长和系统管理员。系统核心功能模块划分如下用户模块注册登录、个人资料管理擅长位置、技术水平、常用场地、关注/好友功能。球局模块发布球局时间、地点、人数上限、费用AA、浏览/搜索球局、报名/取消报名、球局评价。社交网络分析模块基于用户互动数据构建关系图谱计算用户相似度实现队友/对手推荐和活跃社群发现。消息模块站内信、球局变动通知、系统公告。管理后台用户管理、内容审核、数据统计与可视化。3. 技术栈选型本系统采用前后端分离的B/S架构结合数据挖掘与图计算技术具体技术栈如下层次技术选型说明前端框架Vue.js 3 Element Plus组件化开发生态丰富适合快速构建中后台与移动端适配界面后端框架Spring Boot 2.7Java生态主流框架简化配置便于快速构建RESTful APIORM框架MyBatis-Plus简化数据库操作支持Lambda查询提高开发效率数据库MySQL 8.0 RedisMySQL存储业务数据Redis缓存热点数据如球局列表、用户会话图数据库Neo4j存储用户社交关系图谱高效执行社交网络分析算法如社区发现、最短路径社交网络分析Python NetworkX / Neo4j GDS离线计算用户相似度、PageRank、社区发现Louvain算法实时通信WebSocket实现球局报名人数实时更新、消息实时推送部署运维Docker Nginx容器化部署Nginx反向代理与静态资源服务4. 系统架构设计系统整体采用微服务思想但保持单体应用的简洁性逻辑上分为表现层、业务层、数据层和算法层。架构图如下flowchart TD A[Vue前端] --|HTTPS/RESTful| B[Nginx反向代理] B -- C[Spring Boot后端服务] C -- D[MySQL业务数据库] C -- E[Redis缓存] C -- F[Neo4j图数据库] C -- G[WebSocket服务] C -- H[Python算法服务] H -- F H -- D G -- A核心设计思路业务数据用户、球局、报名记录存储在MySQL中用户之间的互动关系共同参赛、关注同步到Neo4j图数据库Python算法服务定期从MySQL抽取数据在Neo4j中执行社交网络分析算法将计算结果如用户相似度矩阵、社群标签写回MySQL或Redis供后端推荐接口调用。5. 核心功能设计与代码实现本章节选取系统中最具代表性的三个核心模块进行代码实现讲解基于社交网络分析的队友推荐、球局发布与报名含Redis缓存与WebSocket实时更新、以及用户社交图谱的构建。5.1 数据库设计核心表以下是用户表和球局表的简化设计省略了部分字段以突出重点。-- 用户表 CREATE TABLE user ( id bigint(20) NOT NULL AUTO_INCREMENT, username varchar(50) NOT NULL COMMENT 用户名, password varchar(255) NOT NULL COMMENT 加密密码, nickname varchar(50) DEFAULT NULL COMMENT 昵称, avatar varchar(255) DEFAULT NULL COMMENT 头像URL, skill_level int(11) DEFAULT 1 COMMENT 技术水平1-5, position varchar(20) DEFAULT NULL COMMENT 擅长位置, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), UNIQUE KEY uk_username (username) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT用户表; -- 球局表 CREATE TABLE game ( id bigint(20) NOT NULL AUTO_INCREMENT, title varchar(100) NOT NULL COMMENT 球局标题, sport_type varchar(20) NOT NULL COMMENT 运动类型篮球/足球/羽毛球, location varchar(255) NOT NULL COMMENT 场地地址, start_time datetime NOT NULL COMMENT 开始时间, max_players int(11) NOT NULL COMMENT 人数上限, current_players int(11) DEFAULT 0 COMMENT 当前报名人数, creator_id bigint(20) NOT NULL COMMENT 创建人ID, status tinyint(4) DEFAULT 0 COMMENT 状态0招募中 1已满 2已结束, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), KEY idx_start_time (start_time), KEY idx_sport_type (sport_type) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT球局表; -- 用户关系表用于社交网络分析 CREATE TABLE user_relation ( id bigint(20) NOT NULL AUTO_INCREMENT, user_id bigint(20) NOT NULL COMMENT 用户A, target_user_id bigint(20) NOT NULL COMMENT 用户B, relation_type varchar(20) NOT NULL COMMENT 关系类型FOLLOW/PLAY_TOGETHER, weight int(11) DEFAULT 1 COMMENT 关系权重, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), UNIQUE KEY uk_user_target_type (user_id,target_user_id,relation_type) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT用户关系表;5.2 基于社交网络分析的队友推荐这是本系统的核心创新点。传统推荐仅基于用户属性如位置、水平而本系统结合用户在社交图谱中的关系强度进行推荐。算法思路如下从MySQL的报名记录和关注关系中提取用户互动数据构建Neo4j图。在Neo4j中计算用户之间的相似度如共同邻居数、Jaccard系数。结合用户自身属性技术水平、位置互补性进行加权融合生成Top-N推荐列表。首先我们通过Python脚本将关系数据导入Neo4j并执行相似度计算# recommend.py - 社交网络分析推荐算法 from neo4j import GraphDatabase import pandas as pd class SocialRecommender: def init(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def close(self): self.driver.close() def build_graph_from_mysql(self): 从MySQL抽取数据构建图谱此处简化实际通过pymysql读取 # 假设已通过pandas读取user_relation表 # df pd.read_sql(SELECT * FROM user_relation, conn) # 此处直接执行Cypher创建关系 with self.driver.session() as session: # 创建用户节点幂等 session.run( MERGE (u:User {id: $uid}) SET u.nickname $nickname , uid1, nickname张三) # 创建关系 session.run( MATCH (a:User {id: $aid}), (b:User {id: $bid}) MERGE (a)-[r:PLAY_TOGETHER {weight: $w}]-(b) ON CREATE SET r.weight $w ON MATCH SET r.weight r.weight $w , aid1, bid2, w3) def get_recommendations(self, user_id, limit5): 基于共同打球关系和Jaccard相似度推荐队友 with self.driver.session() as session: # 使用Cypher查询找到与目标用户共同打过球的人按共同次数排序 result session.run( MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) WITH n, sum(r.weight) AS common_weight ORDER BY common_weight DESC LIMIT $limit RETURN n.id AS user_id, n.nickname AS nickname, common_weight , uiduser_id, limitlimit) return [dict(record) for record in result] if name main: recommender SocialRecommender(bolt://localhost:7687, neo4j, password) recommender.build_graph_from_mysql() recs recommender.get_recommendations(1) print(推荐队友:, recs) recommender.close()后端Java服务通过HTTP调用Python算法服务或直接通过Neo4j JDBC驱动查询推荐结果。以下是Spring Boot中队友推荐接口的实现// RecommendController.java RestController RequestMapping(/api/recommend) public class RecommendController { Autowired private Neo4jTemplate neo4jTemplate; /** 基于社交网络分析推荐队友 通过Cypher查询共同打球次数最多的用户 */ GetMapping(/teammates/{userId}) public Resultlt;Listlt;UserVOgt;gt; recommendTeammates(PathVariable Long userId) { String cypher MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) WITH n, sum(r.weight) AS weight ORDER BY weight DESC LIMIT 10 RETURN n.id AS id, n.nickname AS nickname ; Maplt;String, Objectgt; params Map.of(uid, userId); Listlt;UserVOgt; users neo4jTemplate.query(cypher, params) .stream() .map(row -gt; new UserVO(row.get(id).asLong(), row.get(nickname).asString())) .toList(); return Result.success(users); } }5.3 球局发布与报名Redis缓存 WebSocket实时更新球局模块是平台的核心业务。为了应对高并发报名场景我们使用Redis缓存球局的当前报名人数并通过WebSocket向所有关注该球局的用户实时推送人数变化。// GameController.java - 球局报名核心逻辑 RestController RequestMapping(/api/game) public class GameController { Autowired private StringRedisTemplate redisTemplate; Autowired private SimpMessagingTemplate messagingTemplate; Autowired private GameMapper gameMapper; /** 报名球局使用Redis原子操作防止超卖 */ PostMapping(/join/{gameId}) public Resultlt;Stringgt; joinGame(PathVariable Long gameId, RequestParam Long userId) { String key game:players: gameId; // 使用Redis的Set集合存储报名用户ID保证唯一性 Long added redisTemplate.opsForSet().add(key, userId.toString()); if (added 0) { return Result.error(您已报名该球局); } // 获取当前报名人数 Long currentCount redisTemplate.opsForSet().size(key); // 查询球局人数上限 Game game gameMapper.selectById(gameId); if (currentCount gt; game.getMaxPlayers()) { // 人数已满回滚 redisTemplate.opsForSet().remove(key, userId.toString()); return Result.error(球局人数已满); } // 更新数据库报名记录异步或同步 gameMapper.incrementCurrentPlayers(gameId); // 通过WebSocket推送最新人数给所有订阅该球局的客户端 messagingTemplate.convertAndSend(/topic/game/ gameId, Map.of(currentPlayers, currentCount)); return Result.success(报名成功); } }前端Vue组件通过WebSocket订阅球局人数变化实现界面实时刷新!-- GameDetail.vue - 球局详情与实时报名 -- template div h2{{ game.title }}/h2 p当前报名人数{{ currentPlayers }} / {{ game.maxPlayers }}/p el-button typeprimary clickjoinGame :disabledisFull {{ isFull ? 已满员 : 立即报名 }} /el-button /div /template script setup import { ref, onMounted, onUnmounted } from vue import { useRoute } from vue-router import { getGameDetail, joinGameApi } from /api/game import { useWebSocket } from /composables/useWebSocket const route useRoute() const gameId route.params.id const game ref({}) const currentPlayers ref(0) const isFull computed(() currentPlayers.value game.value.maxPlayers) // 初始化WebSocket连接 const { connect, disconnect, subscribe } useWebSocket() onMounted(async () { const res await getGameDetail(gameId) game.value res.data currentPlayers.value res.data.currentPlayers // 连接WebSocket并订阅球局人数变化 connect() subscribe(/topic/game/${gameId}, (message) { const data JSON.parse(message.body) currentPlayers.value data.currentPlayers }) }) onUnmounted(() { disconnect() }) const joinGame async () { const res await joinGameApi(gameId) if (res.code 200) { ElMessage.success(报名成功) } else { ElMessage.error(res.msg) } } /script5.4 用户社交图谱可视化为了直观展示社交网络分析的结果我们在前端使用ECharts的关系图Graph组件将用户之间的互动关系可视化呈现。后端提供接口返回图谱节点和边数据。// GraphController.java - 返回社交图谱数据 RestController RequestMapping(/api/graph) public class GraphController { Autowired private Neo4jTemplate neo4jTemplate; GetMapping(/social/{userId}) public Resultlt;GraphDatagt; getSocialGraph(PathVariable Long userId) { String cypher MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) RETURN u.id AS source, n.id AS target, r.weight AS weight LIMIT 50 ; Listlt;GraphData.Edgegt; edges neo4jTemplate.query(cypher, Map.of(uid, userId)) .stream() .map(row -gt; new GraphData.Edge( row.get(source).asLong(), row.get(target).asLong(), row.get(weight).asInt( 基于web的社交网络分析的线上约球平台的设计与实现
1. 项目背景与意义随着全民健身意识的提升和移动互联网的普及球类运动如篮球、足球、羽毛球、网球等已成为大众最喜爱的社交健身方式之一。然而传统的约球方式如微信群接龙、线下口头约定存在信息分散、匹配效率低、组织成本高、缺乏信用保障等痛点。与此同时社交网络分析Social Network Analysis, SNA技术的成熟为理解用户关系、挖掘兴趣社群、优化推荐算法提供了新的思路。本项目旨在设计并实现一个基于Web的线上约球平台核心创新点在于引入社交网络分析技术通过分析用户之间的互动关系如共同打球、关注、组队记录构建用户社交图谱进而实现智能队友/对手推荐、活跃社群发现以及更精准的球局匹配。这不仅提升了用户的约球体验也为平台运营提供了数据驱动的决策支持。从实际意义来看该平台能够有效整合碎片化的运动资源降低约球门槛促进陌生人之间的社交破冰推动全民健身事业的发展具有较高的社会价值和经济价值。2. 系统需求分析本系统面向三类核心用户角色普通球友、球局组织者队长和系统管理员。系统核心功能模块划分如下用户模块注册登录、个人资料管理擅长位置、技术水平、常用场地、关注/好友功能。球局模块发布球局时间、地点、人数上限、费用AA、浏览/搜索球局、报名/取消报名、球局评价。社交网络分析模块基于用户互动数据构建关系图谱计算用户相似度实现队友/对手推荐和活跃社群发现。消息模块站内信、球局变动通知、系统公告。管理后台用户管理、内容审核、数据统计与可视化。3. 技术栈选型本系统采用前后端分离的B/S架构结合数据挖掘与图计算技术具体技术栈如下层次技术选型说明前端框架Vue.js 3 Element Plus组件化开发生态丰富适合快速构建中后台与移动端适配界面后端框架Spring Boot 2.7Java生态主流框架简化配置便于快速构建RESTful APIORM框架MyBatis-Plus简化数据库操作支持Lambda查询提高开发效率数据库MySQL 8.0 RedisMySQL存储业务数据Redis缓存热点数据如球局列表、用户会话图数据库Neo4j存储用户社交关系图谱高效执行社交网络分析算法如社区发现、最短路径社交网络分析Python NetworkX / Neo4j GDS离线计算用户相似度、PageRank、社区发现Louvain算法实时通信WebSocket实现球局报名人数实时更新、消息实时推送部署运维Docker Nginx容器化部署Nginx反向代理与静态资源服务4. 系统架构设计系统整体采用微服务思想但保持单体应用的简洁性逻辑上分为表现层、业务层、数据层和算法层。架构图如下flowchart TD A[Vue前端] --|HTTPS/RESTful| B[Nginx反向代理] B -- C[Spring Boot后端服务] C -- D[MySQL业务数据库] C -- E[Redis缓存] C -- F[Neo4j图数据库] C -- G[WebSocket服务] C -- H[Python算法服务] H -- F H -- D G -- A核心设计思路业务数据用户、球局、报名记录存储在MySQL中用户之间的互动关系共同参赛、关注同步到Neo4j图数据库Python算法服务定期从MySQL抽取数据在Neo4j中执行社交网络分析算法将计算结果如用户相似度矩阵、社群标签写回MySQL或Redis供后端推荐接口调用。5. 核心功能设计与代码实现本章节选取系统中最具代表性的三个核心模块进行代码实现讲解基于社交网络分析的队友推荐、球局发布与报名含Redis缓存与WebSocket实时更新、以及用户社交图谱的构建。5.1 数据库设计核心表以下是用户表和球局表的简化设计省略了部分字段以突出重点。-- 用户表 CREATE TABLE user ( id bigint(20) NOT NULL AUTO_INCREMENT, username varchar(50) NOT NULL COMMENT 用户名, password varchar(255) NOT NULL COMMENT 加密密码, nickname varchar(50) DEFAULT NULL COMMENT 昵称, avatar varchar(255) DEFAULT NULL COMMENT 头像URL, skill_level int(11) DEFAULT 1 COMMENT 技术水平1-5, position varchar(20) DEFAULT NULL COMMENT 擅长位置, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), UNIQUE KEY uk_username (username) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT用户表; -- 球局表 CREATE TABLE game ( id bigint(20) NOT NULL AUTO_INCREMENT, title varchar(100) NOT NULL COMMENT 球局标题, sport_type varchar(20) NOT NULL COMMENT 运动类型篮球/足球/羽毛球, location varchar(255) NOT NULL COMMENT 场地地址, start_time datetime NOT NULL COMMENT 开始时间, max_players int(11) NOT NULL COMMENT 人数上限, current_players int(11) DEFAULT 0 COMMENT 当前报名人数, creator_id bigint(20) NOT NULL COMMENT 创建人ID, status tinyint(4) DEFAULT 0 COMMENT 状态0招募中 1已满 2已结束, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), KEY idx_start_time (start_time), KEY idx_sport_type (sport_type) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT球局表; -- 用户关系表用于社交网络分析 CREATE TABLE user_relation ( id bigint(20) NOT NULL AUTO_INCREMENT, user_id bigint(20) NOT NULL COMMENT 用户A, target_user_id bigint(20) NOT NULL COMMENT 用户B, relation_type varchar(20) NOT NULL COMMENT 关系类型FOLLOW/PLAY_TOGETHER, weight int(11) DEFAULT 1 COMMENT 关系权重, created_at datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (id), UNIQUE KEY uk_user_target_type (user_id,target_user_id,relation_type) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT用户关系表;5.2 基于社交网络分析的队友推荐这是本系统的核心创新点。传统推荐仅基于用户属性如位置、水平而本系统结合用户在社交图谱中的关系强度进行推荐。算法思路如下从MySQL的报名记录和关注关系中提取用户互动数据构建Neo4j图。在Neo4j中计算用户之间的相似度如共同邻居数、Jaccard系数。结合用户自身属性技术水平、位置互补性进行加权融合生成Top-N推荐列表。首先我们通过Python脚本将关系数据导入Neo4j并执行相似度计算# recommend.py - 社交网络分析推荐算法 from neo4j import GraphDatabase import pandas as pd class SocialRecommender: def init(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def close(self): self.driver.close() def build_graph_from_mysql(self): 从MySQL抽取数据构建图谱此处简化实际通过pymysql读取 # 假设已通过pandas读取user_relation表 # df pd.read_sql(SELECT * FROM user_relation, conn) # 此处直接执行Cypher创建关系 with self.driver.session() as session: # 创建用户节点幂等 session.run( MERGE (u:User {id: $uid}) SET u.nickname $nickname , uid1, nickname张三) # 创建关系 session.run( MATCH (a:User {id: $aid}), (b:User {id: $bid}) MERGE (a)-[r:PLAY_TOGETHER {weight: $w}]-(b) ON CREATE SET r.weight $w ON MATCH SET r.weight r.weight $w , aid1, bid2, w3) def get_recommendations(self, user_id, limit5): 基于共同打球关系和Jaccard相似度推荐队友 with self.driver.session() as session: # 使用Cypher查询找到与目标用户共同打过球的人按共同次数排序 result session.run( MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) WITH n, sum(r.weight) AS common_weight ORDER BY common_weight DESC LIMIT $limit RETURN n.id AS user_id, n.nickname AS nickname, common_weight , uiduser_id, limitlimit) return [dict(record) for record in result] if name main: recommender SocialRecommender(bolt://localhost:7687, neo4j, password) recommender.build_graph_from_mysql() recs recommender.get_recommendations(1) print(推荐队友:, recs) recommender.close()后端Java服务通过HTTP调用Python算法服务或直接通过Neo4j JDBC驱动查询推荐结果。以下是Spring Boot中队友推荐接口的实现// RecommendController.java RestController RequestMapping(/api/recommend) public class RecommendController { Autowired private Neo4jTemplate neo4jTemplate; /** 基于社交网络分析推荐队友 通过Cypher查询共同打球次数最多的用户 */ GetMapping(/teammates/{userId}) public Resultlt;Listlt;UserVOgt;gt; recommendTeammates(PathVariable Long userId) { String cypher MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) WITH n, sum(r.weight) AS weight ORDER BY weight DESC LIMIT 10 RETURN n.id AS id, n.nickname AS nickname ; Maplt;String, Objectgt; params Map.of(uid, userId); Listlt;UserVOgt; users neo4jTemplate.query(cypher, params) .stream() .map(row -gt; new UserVO(row.get(id).asLong(), row.get(nickname).asString())) .toList(); return Result.success(users); } }5.3 球局发布与报名Redis缓存 WebSocket实时更新球局模块是平台的核心业务。为了应对高并发报名场景我们使用Redis缓存球局的当前报名人数并通过WebSocket向所有关注该球局的用户实时推送人数变化。// GameController.java - 球局报名核心逻辑 RestController RequestMapping(/api/game) public class GameController { Autowired private StringRedisTemplate redisTemplate; Autowired private SimpMessagingTemplate messagingTemplate; Autowired private GameMapper gameMapper; /** 报名球局使用Redis原子操作防止超卖 */ PostMapping(/join/{gameId}) public Resultlt;Stringgt; joinGame(PathVariable Long gameId, RequestParam Long userId) { String key game:players: gameId; // 使用Redis的Set集合存储报名用户ID保证唯一性 Long added redisTemplate.opsForSet().add(key, userId.toString()); if (added 0) { return Result.error(您已报名该球局); } // 获取当前报名人数 Long currentCount redisTemplate.opsForSet().size(key); // 查询球局人数上限 Game game gameMapper.selectById(gameId); if (currentCount gt; game.getMaxPlayers()) { // 人数已满回滚 redisTemplate.opsForSet().remove(key, userId.toString()); return Result.error(球局人数已满); } // 更新数据库报名记录异步或同步 gameMapper.incrementCurrentPlayers(gameId); // 通过WebSocket推送最新人数给所有订阅该球局的客户端 messagingTemplate.convertAndSend(/topic/game/ gameId, Map.of(currentPlayers, currentCount)); return Result.success(报名成功); } }前端Vue组件通过WebSocket订阅球局人数变化实现界面实时刷新!-- GameDetail.vue - 球局详情与实时报名 -- template div h2{{ game.title }}/h2 p当前报名人数{{ currentPlayers }} / {{ game.maxPlayers }}/p el-button typeprimary clickjoinGame :disabledisFull {{ isFull ? 已满员 : 立即报名 }} /el-button /div /template script setup import { ref, onMounted, onUnmounted } from vue import { useRoute } from vue-router import { getGameDetail, joinGameApi } from /api/game import { useWebSocket } from /composables/useWebSocket const route useRoute() const gameId route.params.id const game ref({}) const currentPlayers ref(0) const isFull computed(() currentPlayers.value game.value.maxPlayers) // 初始化WebSocket连接 const { connect, disconnect, subscribe } useWebSocket() onMounted(async () { const res await getGameDetail(gameId) game.value res.data currentPlayers.value res.data.currentPlayers // 连接WebSocket并订阅球局人数变化 connect() subscribe(/topic/game/${gameId}, (message) { const data JSON.parse(message.body) currentPlayers.value data.currentPlayers }) }) onUnmounted(() { disconnect() }) const joinGame async () { const res await joinGameApi(gameId) if (res.code 200) { ElMessage.success(报名成功) } else { ElMessage.error(res.msg) } } /script5.4 用户社交图谱可视化为了直观展示社交网络分析的结果我们在前端使用ECharts的关系图Graph组件将用户之间的互动关系可视化呈现。后端提供接口返回图谱节点和边数据。// GraphController.java - 返回社交图谱数据 RestController RequestMapping(/api/graph) public class GraphController { Autowired private Neo4jTemplate neo4jTemplate; GetMapping(/social/{userId}) public Resultlt;GraphDatagt; getSocialGraph(PathVariable Long userId) { String cypher MATCH (u:User {id: $uid})-[r:PLAY_TOGETHER]-(n:User) RETURN u.id AS source, n.id AS target, r.weight AS weight LIMIT 50 ; Listlt;GraphData.Edgegt; edges neo4jTemplate.query(cypher, Map.of(uid, userId)) .stream() .map(row -gt; new GraphData.Edge( row.get(source).asLong(), row.get(target).asLong(), row.get(weight).asInt(