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

在当今全球化、数字化迅猛发展的电商生态中，竞争对手分析已成为企业制定市场策略、优化产品组合与提升用户体验的核心环节。传统的竞品分析方法往往依赖人工收集与静态报表，信息更新滞后且难以捕捉细微的市场动态；同时，海量商品描述、用户评价与营销活动数据的结构化与非结构化特性使得信息检索效率低下。随着大规模语言模型在自然语言处理领域取得突破，基于检索增强生成（RAG）的技术为动态、精准的竞品洞察提供了新的可能性。本文旨在构建一套基于RAG框架的电商竞品分析系统，以实现高效检索与生成相结合的智能分析流程，从而满足企业对实时、深度竞争情报的迫切需求。该研究不仅关注技术实现，更强调系统在实际业务场景中的可用性与可扩展性。

研究的首要目标是设计一种能够自动聚合并结构化电商平台上竞品相关信息的知识库，包括商品规格、价格走势、用户评价与营销策略等多维度数据。随后，利用检索模型对用户输入的查询进行语义匹配，将最相关的文档片段检索出来，并通过生成模型对检索结果进行摘要与洞察性分析，形成可直接使用的竞品报告。系统设计将兼顾检索精度与生成质量，通过多轮交互式反馈机制不断优化模型参数，以适应不同电商细分市场的需求。最终实现一个端到端、可部署在云平台上的竞品分析服务，支持企业通过自然语言查询获取实时竞争情报。

为确保系统的科学性与实用性，本研究将围绕四个核心任务展开：一是构建高质量、多模态的竞品知识图谱，以支持语义检索与关系推理；二是开发基于Transformer的检索增强生成模型，提升信息提取与文本生成的准确度；三是设计可解释性评估指标，量化系统在信息覆盖率、时效性与洞察深度方面的表现；四是通过案例实验验证系统在不同电商场景中的适用性，并对比传统方法的性能差异。每项任务均采用严格的实验设计与交叉验证，以保证结果的可靠性。

本研究预期将为电商企业提供一种高效、可扩展且具备实时性的竞品分析工具，显著降低人工成本并提升决策质量。通过引入RAG技术，系统能够在海量数据中快速定位关键信息，并以自然语言形式生成易于理解的竞争洞察，为市场策略制定与产品迭代提供有力支持。更重要的是，该系统的模块化设计与可解释性评估机制将为后续学术研究与行业应用提供可复制、可改进的技术框架，从而推动电商竞品分析领域向更智能化、自动化方向发展。

二、研究意义

在全球电商竞争日益激烈的背景下，企业需要快速、精准地获取竞争对手的产品信息、价格动态与营销策略，以便及时调整自身的市场定位与运营策略。传统竞品分析方法往往依赖人工收集与静态报表，信息更新滞后且难以捕捉细微的市场变化；同时，海量商品描述、用户评价与营销活动数据的结构化与非结构化特性使得信息检索效率低下。基于检索增强生成技术的竞品分析系统能够在海量文本中自动聚合并结构化关键信息，并通过自然语言生成模型将检索结果转化为可直接使用的洞察报告，从而显著提升信息获取速度与决策质量。该系统的实时性与深度分析能力将为企业提供持续竞争优势，帮助其在快速变化的市场环境中保持敏捷性。

从学术角度看，本研究填补了自然语言处理技术与电商大数据分析之间的交叉空白。检索增强生成框架在文本检索与生成两大任务上实现了协同优化，其在电商竞品分析场景中的应用能够验证模型在多模态知识融合、语义匹配与信息抽取方面的泛化能力。通过构建多维度的竞品知识图谱，系统不仅实现了信息的结构化存储，还为后续的关系推理与因果分析提供了基础数据支持。该研究将为自然语言处理领域提供新的应用案例，同时推动电商数据挖掘方法向更智能化、自动化方向发展。

技术层面上，本文提出的系统通过将检索模型与生成模型深度耦合，实现了信息检索的高精度与文本生成的高可读性双重目标。检索模块采用语义相似度匹配技术，能够在海量商品描述中快速定位最相关片段；生成模块则利用Transformer架构，对检索结果进行摘要与洞察性分析，输出结构化报告。系统的可解释性评估机制进一步保证了模型输出的透明度与可信度，为企业决策提供了可靠依据。该技术方案具有良好的可扩展性，可迁移至其他领域如金融风险监测、医疗诊断支持等。

最后，本研究在实现技术创新的同时，也关注数据隐私与伦理问题。通过对知识图谱的访问控制与差分隐私机制的引入，系统能够在保证信息完整性的前提下，最大限度地降低敏感数据泄露风险。生成模型的可解释性评估进一步提升了系统输出的可审计性，为企业在合规与监管环境下安全使用AI技术提供了保障。综上所述，本研究不仅为电商行业提供了一套高效、精准的竞品分析工具，也为跨学科研究与AI伦理实践提供了重要参考。

三、国内外研究现状

在全球范围内，电商竞品分析的研究已从传统的定量统计方法向基于人工智能与大数据技术的智能化分析逐步转型。早期工作主要聚焦于商品属性提取与价格走势预测，采用规则匹配与时间序列模型实现对竞争对手价格波动的监测；随后，随着深度学习在自然语言处理领域的突破，学者们开始利用卷积神经网络与循环神经网络对用户评价进行情感分析，以评估产品口碑差异；近年来，检索增强生成（RAG）框架的提出为信息检索与文本生成的协同优化提供了理论基础，国内外研究者已将其应用于问答系统、知识图谱填补以及多模态检索任务。与此同时，知识图谱技术在电商领域的应用逐渐成熟，研究者通过实体抽取与关系推理构建商品属性、品牌与供应链等多维度关联网络，为后续的推荐与竞品比较提供了结构化语义基础。

在国外，研究方向主要集中于三大板块：一是基于Transformer的检索增强生成模型在电商问答与信息检索中的应用，典型成果包括OpenAI提出的DALL·E 2与ChatGPT系列模型在多轮对话中的语义匹配能力；二是多模态知识图谱构建与推理，研究者利用BERT、CLIP等模型融合文本与视觉信息，对商品图片与描述进行联合编码，实现跨模态检索；三是情感与行为分析在价格预测与促销效果评估中的应用，学术团队通过大规模用户行为日志训练LSTM与GRU模型，对购买决策路径进行建模。上述研究为电商竞品分析提供了可复制的技术框架，并在工业界得到广泛关注。

国内研究则在数据资源与应用场景上具有独特优势。中国电商平台如淘宝、京东、拼多多等拥有海量商品与用户数据，学者们利用这些公开或内部数据构建了大规模商品知识库与用户画像。主要研究方向包括：一是基于中文预训练模型（如ERNIE、CDial-GPT）的实体识别与关系抽取技术，用以自动化构建商品属性图谱；二是检索增强生成在中文问答与产品描述生成中的应用，研究者通过对大规模中文语料的微调，实现了高质量的自然语言生成；三是情感分析与价格动态监测，国内团队利用BERT与Transformer混合模型，对海量用户评价进行细粒度情感标注，并结合时间序列模型预测价格波动。值得一提的是，国内学术界在多模态检索方面也取得突破，利用图像识别模型与文本编码器实现商品图片与描述的双向检索，为视觉营销分析提供了技术支持。

总体而言，国内外研究已形成从数据采集、知识抽取、检索匹配到生成推理的完整技术链条。国际上在多模态融合与大规模预训练模型方面走在前列，国内则凭借丰富的数据资源与针对中文语义的模型优化，在实体识别与情感分析领域取得显著成果。然而，现有研究普遍存在检索结果与生成内容不完全一致、知识图谱更新滞后以及可解释性不足等问题。针对电商竞品分析的特殊需求，如实时性、细粒度竞争对手行为捕捉以及多维度指标评估，仍需在检索增强生成框架中进一步完善知识更新机制、交互式反馈与结果可解释性，以实现从技术研究向实际应用的无缝衔接。

四、预期达到目标及解决的关键问题

本研究的预期目标在于构建一套能够实时聚合、结构化并智能分析电商竞品信息的系统，从而为企业提供高效、精准的竞争情报支持。首先，系统将通过对商品描述、价格变动、用户评价与营销活动等多源异构数据进行自动抽取与清洗，形成统一的竞品知识图谱；其次，在检索层面采用语义匹配技术实现对海量文本的高效检索；随后，在生成层面利用基于Transformer的检索增强生成模型，对检索结果进行摘要与洞察性分析，输出可直接使用的竞品报告；再者，为保障系统输出的可信度与业务可解释性，将设计可视化评估指标与因果推理机制，以量化信息覆盖率、时效性与洞察深度；最后，通过案例实验验证系统在不同电商场景中的适用性，并对比传统方法的性能差异，形成可复制、可推广的技术框架。实现上述目标后，企业将能够在竞争激烈的市场环境中快速获取对手动态，及时调整产品与营销策略，从而提升市场份额与盈利能力。

在实现预期目标的过程中，将面临若干关键问题。首先，数据异构性与质量控制是首要挑战；电商平台提供的数据格式多样、标注不统一，如何高效抽取实体并消除噪声、冗余信息，直接影响知识图谱的准确性与完整性。其次，检索与生成的协同优化难点在于两者目标不完全一致；检索侧追求召回率与相关度，而生成侧关注文本连贯性与信息完整度，如何在模型训练与推理过程中实现两者的动态平衡，是技术创新的核心。再次，模型可解释性与业务可接受度是系统落地的重要门槛；企业决策者需要对系统输出有足够的信任，如何通过因果图谱、注意力可视化或规则映射等方式提升模型透明度，是后续研究的重点。最后，隐私合规与安全性问题不可忽视；在处理用户评价与交易数据时，需要遵守数据保护法规，采用差分隐私或联邦学习等技术保障个人信息安全，同时保证系统的实时性与可用性。针对上述关键问题，本研究将通过多模态融合、动态检索生成框架、可解释性评估机制以及隐私保护技术等手段，逐步克服挑战，推动基于RAG的电商竞品分析系统从理论研究向实际应用的转化。

五、研究内容

本研究围绕基于检索增强生成（RAG）框架的电商竞品分析系统展开，整体研究内容可分为数据层、知识层、模型层、评估层与应用层五大模块。数据层首先通过爬虫技术从主流电商平台（如淘宝、京东、拼多多等）获取商品页面、价格历史、用户评价与促销信息，并结合第三方数据服务商提供的供应链与物流数据，实现对竞品信息的全景覆盖；随后，采用文本清洗与结构化技术，对原始网页内容进行分词、命名实体识别与属性抽取，构建初步的商品属性表。知识层则进一步利用知识图谱技术，将实体（如商品、品牌、供应商）与关系（如属于、竞争、替代）映射为三元组，并通过图嵌入方法生成低维向量表示，为后续检索与推理提供语义基础；在此过程中，研究者将引入多模态融合技术，将商品图片与文本描述联合编码，提升知识图谱的表达能力。模型层聚焦于检索增强生成的核心算法，首先设计基于BERT或ERNIE的语义检索模块，对用户查询进行向量化，并在知识图谱上执行近似最近邻搜索，快速定位最相关的文档片段；随后，将检索结果与上下文信息输入到Transformer结构的生成模型中，通过微调实现对竞品信息的摘要与洞察性分析，输出结构化报告。评估层将构建多维度指标体系，包括检索召回率、命中精度、生成文本可读性、业务可解释性与时效性等，并通过人工标注与A/B测试验证模型性能；此外，研究者将探索因果推理与注意力可视化技术，以提升模型输出的透明度。应用层则关注系统的部署与运营，计划将模型封装为RESTful API，并在云端实现弹性伸缩；通过构建用户交互界面，支持自然语言查询与结果可视化展示，满足企业决策者对实时竞品情报的需求。整个研究过程将采用迭代式实验设计，先在小规模数据集上验证核心技术，再逐步扩展到全量电商平台数据，实现从实验室到工业界的无缝迁移。通过上述多层次、多技术路径的协同推进，本研究旨在构建一套高效、可解释且可持续更新的基于RAG的电商竞品分析系统，为企业提供精准竞争情报支持。

六、需求分析

用户需求方面，系统的主要使用者包括电商平台运营经理、产品经理、市场分析师以及供应链决策者等。运营经理需要能够实时获取竞争对手价格波动与促销活动信息，以便及时调整自家商品价格与营销策略；产品经理则关注竞品在功能规格、用户体验与评价维度的差异，期望通过系统快速定位同类产品的优势与短板，从而指导产品迭代；市场分析师希望借助系统对竞品销售趋势、品牌声誉与用户情感进行量化评估，为营销投放与渠道布局提供数据支持；供应链决策者则关注竞品在供应链环节的成本结构与物流效率，期望通过系统获取竞争对手的采购与配送信息，以优化自家供应链布局。综合上述角色，用户需求可归纳为：实时、精准的竞品信息采集；多维度、细粒度的竞品比较分析；可视化与交互式的结果展示；以及可导出报告与决策支持功能。系统还需满足数据安全与隐私合规要求，确保在获取与处理用户评价及交易数据时遵循相关法规。用户对系统的易用性和响应速度亦有较高期待，期望在自然语言查询后能够在数秒内获得结构化分析结果，并能通过图表、趋势线等方式直观理解竞品动态。

功能需求方面，系统应包含以下核心模块与功能：数据采集层负责从主流电商平台及第三方数据服务商抓取商品页面、价格历史、用户评价与促销信息，并支持定时更新与增量同步；数据预处理层需实现文本清洗、分词、命名实体识别与属性抽取，并对多模态数据进行统一编码；知识图谱构建层将抽取的实体与关系映射为三元组，利用图嵌入技术生成低维向量，为检索与推理提供语义基础；检索引擎采用语义匹配技术，对用户查询进行向量化，并在知识图谱上执行近似最近邻搜索，快速定位最相关的文档片段；生成引擎基于Transformer结构的检索增强生成模型，对检索结果进行摘要与洞察性分析，输出结构化报告；可视化与交互层提供自然语言查询界面、结果展示仪表盘、趋势图与对比表格，并支持自定义筛选与过滤；报警机制能够在价格波动、促销变化或评价情绪出现显著偏差时推送通知；导出模块支持多种格式（PDF、Excel、JSON）的报告生成，以便进一步分析与分享。系统还需具备权限管理、数据加密与审计日志等安全功能，并通过差分隐私或联邦学习等技术保障用户数据的隐私合规。上述功能的实现将确保系统能够满足用户在实时性、准确性、可解释性与安全性方面的综合需求。

七、可行性分析

经济可行性方面，系统的研发与运营成本主要集中在数据采集与处理、模型训练与部署以及后期维护与更新。通过采用开源框架（如PyTorch、HuggingFace Transformers）和云计算平台（如阿里云、腾讯云）的弹性计算资源，可显著降低硬件投入，并实现按需计费模式；数据采集方面，利用已有的电商平台API与公开爬虫工具可在较低成本下获取商品与价格信息；模型训练阶段，利用迁移学习技术对预训练语言模型进行微调，可减少大规模GPU训练时间，从而降低算力费用。运营阶段，系统通过API接口提供服务，企业可按使用量付费或订阅模式，实现收入与成本的平衡。综上所述，系统在初期投入与长期运营成本均可控制在可接受范围内，并具备良好的商业化潜力。

社会可行性方面，随着电商行业的快速发展，企业对竞争情报的需求日益迫切，系统能够为企业提供实时、精准的竞品分析支持，从而提升市场竞争力与消费者满意度。与此同时，系统通过对用户评价与行为数据进行匿名化处理，并遵守《个人信息保护法》等相关法规，可在保障数据安全与隐私的前提下实现社会效益。系统的可视化分析结果还可为行业监管机构提供参考，帮助其监测市场秩序与价格垄断行为，具有一定的公共利益价值。然而，系统若未能妥善处理敏感信息或导致数据泄露，将可能引发公众信任危机；因此在社会可行性评估中需重视合规与伦理审查，并制定完善的数据治理与安全策略。

技术可行性方面，系统核心技术包括多模态知识图谱构建、语义检索与检索增强生成模型。近年来，基于Transformer的预训练模型在中文自然语言处理任务中已表现出卓越性能，且已有成熟的中文预训练模型（如ERNIE、CDial-GPT）可直接迁移；知识图谱技术在实体抽取与关系推理方面已实现高准确率，可通过现有工具链（如OpenIE、RDFLib）快速构建；检索增强生成框架在学术与工业界已得到验证，能够在大规模文本中实现高召回与生成质量的平衡。技术挑战主要集中在模型的实时推理效率、知识图谱的持续更新机制以及多模态融合的鲁棒性。通过采用分布式推理、模型蒸馏与增量学习等技术，可克服上述挑战，确保系统在大规模并发查询下保持低延迟与高准确度。综合来看，现有技术基础与可扩展方案足以支撑系统的实现与持续迭代。

八、功能分析

系统功能模块设计依据用户与功能需求，分为数据采集层、数据预处理层、知识图谱构建层、检索增强生成层、可视化交互层以及安全合规与运维管理层。每一层均包含若干子功能，形成完整的竞品分析工作流。

数据采集层负责从主流电商平台及第三方数据服务商获取商品信息、价格历史、用户评价与促销活动等原始数据。其核心子功能包括爬虫调度器、API接口适配器、增量更新引擎以及多源数据同步模块。爬虫调度器根据预设时间表和抓取策略动态分配任务；API接口适配器统一不同平台的数据格式并完成身份认证；增量更新引擎监测数据变更，仅抓取新增或修改的记录，降低网络与存储成本；多源数据同步模块将来自不同渠道的数据汇聚至统一的中间件，保证后续处理的一致性。

数据预处理层对采集到的原始文本与结构化字段进行清洗、标准化与特征抽取。其子功能包括文本分词器、命名实体识别模块、属性抽取引擎、图片预处理单元以及异常检测器。文本分词器采用基于字典与统计的混合方法，兼顾中文细粒度；命名实体识别模块使用BERT/ERNIE模型标注品牌、型号、规格等实体；属性抽取引擎根据规则与机器学习相结合提取价格、库存、促销力度等字段；图片预处理单元对商品图片进行尺寸归一化与特征编码；异常检测器通过统计阈值与聚类方法识别数据异常，保障知识图谱的质量。

知识图谱构建层将清洗后的实体与关系映射为三元组，并生成低维向量表示以支持检索与推理。其子功能包括实体对齐模块、关系抽取器、三元组存储引擎、图嵌入生成器以及多模态融合单元。实体对齐模块利用相似度匹配与外部知识库校验，解决同一实体在不同来源中的歧义；关系抽取器基于依存句法与预训练模型识别“属于”“竞争”“替代”等业务关系；三元组存储引擎采用图数据库（如Neo4j）实现高效查询；图嵌入生成器通过TransE/GraphSAGE等算法为实体与关系生成向量；多模态融合单元将文本与图片特征联合编码，提升语义表达的完整性。

检索增强生成层是系统的核心推理模块，分为检索子模块和生成子模块。检索子模块利用向量检索技术（FAISS）对用户查询进行语义匹配，返回最相关的文档片段与知识图谱节点；生成子模块采用Transformer结构的检索增强生成模型，对检索结果进行摘要、情感归纳与洞察性分析，输出结构化报告。两子模块通过交互式迭代实现信息补全与上下文扩展，保证最终文本既准确又易读。

可视化交互层为终端用户提供查询入口、结果展示与操作反馈。其子功能包括自然语言查询接口、结果仪表盘、趋势图与对比表格生成器、交互式过滤器以及自定义报告模板。自然语言查询接口支持多轮对话，自动识别关键词并调用检索增强生成层；结果仪表盘以卡片式布局展示竞品价格、销量与评价等关键指标；趋势图与对比表格通过可视化库（如ECharts）绘制时间序列与多维度对比；交互式过滤器允许用户按品牌、价格区间或评价分布进行筛选；自定义报告模板支持导出PDF/Excel，方便后续汇报与决策。

安全合规与运维管理层保障系统在数据安全、隐私保护与稳定运行方面的可持续性。其子功能包括权限管理模块、差分隐私引擎、日志审计系统以及弹性伸缩控制器。权限管理模块基于RBAC实现细粒度访问控制；差分隐私引擎在数据采集与模型训练过程中加入噪声，防止敏感信息泄露；日志审计系统记录所有操作与数据流动，满足合规审计需求；弹性伸缩控制器根据查询负载动态调整计算资源，保证系统的高可用性。

通过上述六大功能模块的协同工作，系统能够实现从数据采集、知识构建到智能分析与结果呈现的闭环，为电商企业提供实时、精准且可解释的竞品情报支持。

九、数据库设计

字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注
品牌表
brand_id | 品牌主键。 | 11 | INT | PK | 主键，唯一标识品牌。
brand_name | 品牌名称。 | 255 | VARCHAR(255) | | 品牌名称，唯一约束。
brand_description | 品牌描述。 | 5000 | TEXT | |

分类表
category_id | 分类主键。 | 11 | INT | PK | 主键，唯一标识分类。
category_name | 分类名称。 | 255 | VARCHAR(255) | |
parent_category_id | 父级分类。 | 11 | INT | FK: category(category_id) | 用于层级结构。

供应商表
supplier_id | 供应商主键。 | 11 | INT | PK |
supplier_name | 供应商名称。 | 255 | VARCHAR(255) |
contact_info | 联系信息。 | 5000 | TEXT |

商品表
product_id | 商品主键。 | 11 | INT | PK |
product_name | 商品名称。 | 255 | VARCHAR(255) |
brand_id | 品牌编号。 | 11 | INT | FK: brand(brand_id) |
category_id | 分类编号。 | 11 | INT | FK: category(category_id) |
supplier_id | 供应商编号。 | 11 | INT | FK: supplier(supplier_id) |
sku | 商品条码。 | 50 | VARCHAR(50) |
created_at | 创建时间。 | 19 | DATETIME |

商品属性表
attribute_id | 属性主键。 | 11 | INT | PK |
product_id | 商品编号。 | 11 | INT | FK: product(product_id) |
attribute_key | 属性键。 | 255 | VARCHAR(255) |
attribute_value | 属性值。 | 5000 | TEXT |

价格历史表
price_history_id | 历史记录主键。 | 11 | INT | PK |
product_id | 商品编号。 | 11 | INT | FK: product(product_id) |
price_date | 日期。 | 10 | DATE |
price_value | 价格。 | 10,2 | DECIMAL(10,2) |

用户评价表
review_id | 评价主键。 | 11 | INT | PK |
product_id | 商品编号。 | 11 | INT | FK: product(product_id) |
user_name | 用户名。 | 255 | VARCHAR(255) |
rating | 评分。 | 3,1 | DECIMAL(3,1) |
review_text | 评论内容。 | 5000 | TEXT |
review_date | 评论时间。 | 19 | DATETIME |

促销活动表
promotion_id | 活动主键。 | 11 | INT | PK |
product_id | 商品编号。 | 11 | INT | FK: product(product_id) |
promotion_type | 活动类型。 | 255 | VARCHAR(255) |
start_date | 开始时间。 | 10 | DATE |
end_date | 结束时间。 | 10 | DATE |
discount_rate | 折扣率。 | 5,2 | DECIMAL(5,2) |

知识图谱三元组表
triple_id | 三元组主键。 | 11 | INT | PK |
subject_entity_type | 主体类型。 | 255 | VARCHAR(255) |
subject_entity_id | 主体编号。 | 11 | INT |
predicate | 谓词。 | 255 | VARCHAR(255) |
object_entity_type | 对象类型。 | 255 | VARCHAR(255) |
object_entity_id | 对象编号。 | 11 | INT |

系统用户表
user_id | 用户主键。 | 11 | INT | PK |
username | 登录名。 | 255 | VARCHAR(255) |
password_hash | 密码哈希。 | 255 | VARCHAR(255) |
role | 用户角色。 | 50 | VARCHAR(50) |

查询日志表
log_id | 日志主键。 | 11 | INT | PK |
user_id | 用户编号。 | 11 | INT | FK: user(user_id) |
query_text | 查询内容。 | 5000 | TEXT |
query_time | 查询时间。 | 19 | DATETIME |

以上表结构遵循第一、第二、第三范式，主键与外键关系清晰，字段类型与长度均符合实际存储需求，可满足系统数据完整性与查询效率的双重要求。

十、建表语句

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

-- 品牌表
CREATE TABLE brand (
brand_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
brand_name VARCHAR(255) NOT NULL UNIQUE,
brand_description TEXT,
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='品牌主表';

-- 商品分类表（支持层级结构）
CREATE TABLE category (
category_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
category_name VARCHAR(255) NOT NULL UNIQUE,
parent_category_id INT UNSIGNED NULL,
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
CONSTRAINT fk_category_parent
FOREIGN KEY (parent_category_id)
REFERENCES category(category_id)
ON DELETE SET NULL ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品分类表';

-- 供应商表
CREATE TABLE supplier (
supplier_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
supplier_name VARCHAR(255) NOT NULL,
contact_info TEXT,
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='供应商信息表';

-- 商品主表
CREATE TABLE product (
product_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
product_name VARCHAR(255) NOT NULL,
brand_id INT UNSIGNED NOT NULL,
category_id INT UNSIGNED NOT NULL,
supplier_id INT UNSIGNED NOT NULL,
sku VARCHAR(50) NOT NULL UNIQUE,
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
CONSTRAINT fk_product_brand
FOREIGN KEY (brand_id)
REFERENCES brand(brand_id)
ON DELETE RESTRICT ON UPDATE CASCADE,
CONSTRAINT fk_product_category
FOREIGN KEY (category_id)
REFERENCES category(category_id)
ON DELETE RESTRICT ON UPDATE CASCADE,
CONSTRAINT fk_product_supplier
FOREIGN KEY (supplier_id)
REFERENCES supplier(supplier_id)
ON DELETE RESTRICT ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品主表';

-- 商品属性表（键值对）
CREATE TABLE product_attribute (
attribute_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
product_id INT UNSIGNED NOT NULL,
attribute_key VARCHAR(255) NOT NULL,
attribute_value TEXT,
CONSTRAINT fk_attribute_product
FOREIGN KEY (product_id)
REFERENCES product(product_id)
ON DELETE CASCADE ON UPDATE CASCADE,
UNIQUE KEY uq_product_attribute (product_id, attribute_key)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品属性表';

-- 价格历史表
CREATE TABLE price_history (
price_history_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
product_id INT UNSIGNED NOT NULL,
price_date DATE NOT NULL,
price_value DECIMAL(10,2) NOT NULL,
CONSTRAINT fk_price_product
FOREIGN KEY (product_id)
REFERENCES product(product_id)
ON DELETE CASCADE ON UPDATE CASCADE,
UNIQUE KEY uq_price_history (product_id, price_date),
INDEX idx_price_date (price_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='价格历史表';

-- 用户评价表
CREATE TABLE review (
review_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
product_id INT UNSIGNED NOT NULL,
user_name VARCHAR(255) NOT NULL,
rating DECIMAL(3,1) NOT NULL CHECK (rating BETWEEN 0 AND 5),
review_text TEXT,
review_date DATETIME DEFAULT CURRENT_TIMESTAMP,
CONSTRAINT fk_review_product
FOREIGN KEY (product_id)
REFERENCES product(product_id)
ON DELETE CASCADE ON UPDATE CASCADE,
INDEX idx_review_rating (rating),
INDEX idx_review_date (review_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户评价表';

-- 促销活动表
CREATE TABLE promotion (
promotion_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
product_id INT UNSIGNED NOT NULL,
promotion_type VARCHAR(255) NOT NULL,
start_date DATE NOT NULL,
end_date DATE NOT NULL,
discount_rate DECIMAL(5,2) NOT NULL CHECK (discount_rate BETWEEN 0 AND 100),
CONSTRAINT fk_promotion_product
FOREIGN KEY (product_id)
REFERENCES product(product_id)
ON DELETE CASCADE ON UPDATE CASCADE,
INDEX idx_promotion_start (start_date),
INDEX idx_promotion_end (end_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='促销活动表';

-- 知识图谱三元组表
CREATE TABLE triple (
triple_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
subject_entity_type VARCHAR(255) NOT NULL,
subject_entity_id INT UNSIGNED NOT NULL,
predicate VARCHAR(255) NOT NULL,
object_entity_type VARCHAR(255) NOT NULL,
object_entity_id INT UNSIGNED NOT NULL,
INDEX idx_subject (subject_entity_type, subject_entity_id),
INDEX idx_object (object_entity_type, object_entity_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='知识图谱三元组表';

-- 系统用户表
CREATE TABLE user (
user_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
username VARCHAR(255) NOT NULL UNIQUE,
password_hash VARCHAR(255) NOT NULL,
role ENUM('admin','analyst','viewer') NOT NULL DEFAULT 'viewer',
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='系统用户表';

-- 查询日志表
CREATE TABLE query_log (
log_id INT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
user_id INT UNSIGNED NOT NULL,
query_text TEXT NOT NULL,
query_time DATETIME DEFAULT CURRENT_TIMESTAMP,
CONSTRAINT fk_log_user
FOREIGN KEY (user_id)
REFERENCES user(user_id)
ON DELETE SET NULL ON UPDATE CASCADE,
INDEX idx_log_user (user_id),
INDEX idx_log_time (query_time)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='查询日志表';

-- 索引优化（可根据业务热点进一步添加）
CREATE INDEX idx_product_name ON product(product_name);
CREATE INDEX idx_product_sku ON product(sku);
CREATE INDEX idx_review_user ON review(user_name);
CREATE INDEX idx_promotion_type ON promotion(promotion_type);

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👇🏻