旅游推荐平台|酒店推荐平台|基于协同过滤算法实现旅游酒店推荐系统

简介: 旅游推荐平台|酒店推荐平台|基于协同过滤算法实现旅游酒店推荐系统

项目编号:BS-XX-058

一,项目简介

     本项目基于SSM框架开发而成,主要实现旅游网站的信息化管理系统,系统分为前端网站和后台管理部分,前端用户注册登陆后可以在网站上浏览旅游景点,查看旅游酒店,在线预定酒店,查看旅游资讯,发表旅游攻略并参与讨论,全文检索功能等。后台管理用户登陆系统后可以实现相关模块的管理功能:主要包含用户管理,旅游景点管理,旅游资讯管理,旅游酒店管理,预定订单管理,旅游攻略管理等模块。

     本项目基于协同过滤的aprio推荐算法来对旅游酒店信息进行相应的推荐操作,同时实现了旅游景点管理、酒店管理、旅游攻略管理、旅游资讯管理、在线收藏、点赞、评论、投诉建议,实现了在线下单进行旅游酒店的预定操作,并可以进行全文检索查询等,功能强大,内容丰富,页面简洁。

       在本项目中使用协同过滤算法来对酒店信息进行相应的推荐,可以根据自己需要改成旅游推荐或商城推荐均可。算法的核心思路,获得当前所有注册的会员用户,以及所有用户对酒店浏览和互动的操作数据后,比对用户的相似性,生成相关的数据集,然后使用协同过滤核心算法将运算的结果得出后在前端展示。核心算法展示如下,以供大家参考使用 :

/**
   * 
   * @param usersize 用户数量
   * @param userdata 用户记录
   * @param recommendUser 推荐的用户
   * @return
   */
  public static String xietongjob(int usersize,String[] userdata,String recommendUser){
    /**
     * 输入用户-->物品条目  一个用户对应多个物品
     * 用户ID 物品ID集合
     *   A    a b d
     *   B    a c
     *   C    b e
     *   D    c d e
     */
    int N = usersize;//用户数量
    int[][] sparseMatrix = new int[N][N];//建立用户稀疏矩阵,用于用户相似度计算【相似度矩阵】
    Map<String, Integer> userItemLength = new HashMap();//存储每一个用户对应的不同物品总数  eg: A 3
    Map<String, Set<String>> itemUserCollection = new HashMap();//建立物品到用户的倒排表 eg: a A B
    Set<String> items = new HashSet();//辅助存储物品集合
    Map<String, Integer> userID = new HashMap();//辅助存储每一个用户的用户ID映射
    Map<Integer, String> idUser = new HashMap();//辅助存储每一个ID对应的用户映射
    System.out.println("Input user--items maping infermation:<eg:A a b d>");
    for(int i = 0; i < N ; i++){//依次处理N个用户 输入数据  以空格间隔
      String[] user_item = userdata[i].split("@");
      int length = user_item.length;
      userItemLength.put(user_item[0], length-1);//eg: A 3
      userID.put(user_item[0], i);//用户ID与稀疏矩阵建立对应关系
      idUser.put(i, user_item[0]);
      //建立物品--用户倒排表
      for(int j = 1; j < length; j ++){
        if(items.contains(user_item[j])){//如果已经包含对应的物品--用户映射,直接添加对应的用户
          itemUserCollection.get(user_item[j]).add(user_item[0]);
        }else{//否则创建对应物品--用户集合映射
          items.add(user_item[j]);
          itemUserCollection.put(user_item[j], new HashSet<String>());//创建物品--用户倒排关系
          itemUserCollection.get(user_item[j]).add(user_item[0]);
        }
      }
    }
    System.out.println(itemUserCollection.toString());
    //计算相似度矩阵【稀疏】
    Set<Entry<String, Set<String>>> entrySet = itemUserCollection.entrySet();
    Iterator<Entry<String, Set<String>>> iterator = entrySet.iterator();
    while(iterator.hasNext()){
      Set<String> commonUsers = iterator.next().getValue();
      for (String user_u : commonUsers) {
        for (String user_v : commonUsers) {
          if(user_u.equals(user_v)){
            continue;
          }
          sparseMatrix[userID.get(user_u)][userID.get(user_v)] += 1;//计算用户u与用户v都有正反馈的物品总数
        }
      }
    }
    System.out.println(userItemLength.toString());
    System.out.println("==============Input the user for recommendation:<eg:A>");
    System.out.println("==userID=="+userID);
    System.out.println("========userID.get(recommendUser)=========="+userID.get(recommendUser));
    System.out.println("items==================="+items);
    //计算用户之间的相似度【余弦相似性】
    int recommendUserId = userID.get(recommendUser);
    for (int j = 0;j < sparseMatrix.length; j++) {
        if(j != recommendUserId){
          System.out.println(idUser.get(recommendUserId)+"--"+idUser.get(j)+"相似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));
        }
    }
    String out="";
    //计算指定用户recommendUser的物品推荐度
    for(String item: items){//遍历每一件物品
      Set<String> users = itemUserCollection.get(item);//得到购买当前物品的所有用户集合
      if(users.contains(recommendUser)){//如果被推荐用户没有购买当前物品,则进行推荐度计算
        double itemRecommendDegree = 0.0;
        for(String user: users){
          itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));//推荐度计算
        }
        out+=","+item;
        System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);
      }
    }
    return out;
  }

同时对于未登陆用户,采用aprio算法进行相关性的推荐,以保证登陆用户和未登陆用户均可有相应的信息推荐,核心算法如下:

/**
   * 专门有个算法包
   * 然后算法的逻辑也在这里,
   * 而且把算法之外额逻辑也加了
   * 注!为了应对一开始人员访问数据量不够推荐算法使用的情况,就进行了数据补足,这个业务逻辑就非常完美了。
   * 
   * java推荐算法
   * @param request
   */
  public void tuijiansuanfa(HttpServletRequest request){
      Itemset originalItem = new Itemset();
      List<Map> lista = db.queryForList("select * from t_customer");
      for (int i = 0; i < lista.size(); i++) {
        TreeSet<String> itemset = new TreeSet<String>();
        List<Map> listb = db.queryForList("select * from t_productclick where customerId=?",new Object[]{lista.get(i).get("id")});
        for (int j = 0; j < listb.size(); j++) {
          itemset.add(listb.get(j).get("productId")+"");
        }
        originalItem.itemset.add(itemset);
      }
      Aprioti.originalItem=originalItem;
      List<Long> outList = Aprioti.aprioriProcess();
      String in ="";
      if(outList!=null&&outList.size()>0){
        for (int i = 0; i < outList.size(); i++) {
          in+=","+outList.get(i);
        }
      }
      String sqlall="select a.*  from t_product a where 1=1 ";
      String sql=sqlall;
      if(in!=null&&!"".equals(in)){
        sql+=" and id in ("+in.substring(1,in.length())+")";
      }
      sql+="  order by rand() limit 8 ";
      //以上推荐算法最总结果在根据随机安排推荐
      //注!为了应对一开始人员访问数据量不够推荐算法使用的情况,就进行了数据补足,这个业务逻辑就非常完美了。
      List tuijianList = db.queryForList(sql);
      int a = 8;
      int b = 0;
      if(tuijianList==null||tuijianList.size()<8){
        if(tuijianList!=null){
          b = 8-tuijianList.size();
        }
        List list2 = db.queryForList(sqlall+" order by rand() limit "+b);
        tuijianList.addAll(list2);
      }else{
      }
      request.setAttribute("tuijianList", tuijianList);
  }

二,环境介绍

语言环境:Java:  jdk1.8

数据库:Mysql: mysql5.7

应用服务器:Tomcat:  tomcat8.5.31

开发工具:IDEA或eclipse

后台开发技术:Spring+mybatis+springmvc

前台开发技术:jquery+ajax+easyui

核心算法:协同过滤算法  APRIO算法

apriori关联规则算法的原理设计较为简单,著名的“啤酒和尿布”说的就是Apriori算法,通俗来讲apriori旨在寻找频繁项集,以帮助商家将消费者有可能一起搭配购买的物品放置在同一个地方,提高消费者的购物效率和良好的购物体验感。Apriori还是十大数据挖掘算法之一,可见Apriori关联规则算法的重要性。

三,系统展示

下面展示一下本系统的部分功能:

前端页面展示

http://localhost:8080/front/index.html

旅游景点

旅游酒店

旅游资讯

旅游攻略

我的酒店预定

我的贴子

我的收藏

我的信息

投诉建议

后台用户登陆:  http://localhost:8080/adminLogin/login.html

个人中心

轮播图管理

旅游资讯管理

用户管理

内容管理:包含酒店管理,景点管理,资读管理三大模块

旅游攻略管理

投诉建议管理

四,核心代码展示

 

package com.lvyou.controller.admin;
import java.util.List;
import java.util.Map;
import javax.servlet.http.HttpServletRequest;
import org.springframework.http.ResponseEntity;
import org.springframework.stereotype.Controller;
import org.springframework.ui.Model;
import org.springframework.web.bind.annotation.RequestMapping;
import com.lvyou.controller.MyController;
@Controller("adminCustomerController")
@RequestMapping(value = "/admin/customer")
public class AdminCustomerController extends MyController {
  @RequestMapping(value = "/frame")
  public String frame(Model model, HttpServletRequest request)throws Exception {
    return "/admin/customer/frame";
  }
  @RequestMapping(value = "/list")
  public String list(Model model, HttpServletRequest request,String username,String customerName)throws Exception {
    String sql="select a.* from t_customer a where 1=1";
  if(username!=null&&!"".equals(username)){
      sql+=" and username like '%"+username+"%'";
    }
  if(customerName!=null&&!"".equals(customerName)){
      sql+=" and customerName like '%"+customerName+"%'";
    }
    sql+=" order by id desc";
    List list = db.queryForList(sql);
    request.setAttribute("list", list);
    return "/admin/customer/list";
  }
  @RequestMapping(value = "/editSave")
  public ResponseEntity<String> editSave(Model model,HttpServletRequest request,Long id
    ,String username,String password,String customerName,String sex,String address,String phone,Integer account,Integer jf,String status) throws Exception{
    int result = 0;
    if(id!=null){
      String sql="update t_customer set username=?,password=?,customerName=?,sex=?,address=?,phone=?,account=?,jf=?,status=? where id=?";
      result = db.update(sql, new Object[]{username,password,customerName,sex,address,phone,account,jf,status,id});
    }else{
      String sql="insert into t_customer(username,password,customerName,sex,address,phone,account,jf,status) values(?,?,?,?,?,?,?,?,?)";
      result = db.update(sql, new Object[]{username,password,customerName,sex,address,phone,account,jf,status});
    }
    if(result==1){
      return renderData(true,"操作成功",null);
    }else{
      return renderData(false,"操作失败",null);
    }
  }
  @RequestMapping(value = "/editDelete")
  public ResponseEntity<String> editDelete(Model model,HttpServletRequest request,Long id) throws Exception {
    String sql="delete from t_customer where id=?";
    int result = db.update(sql, new Object[]{id});
    if(result==1){
      return renderData(true,"操作成功",null);
    }else{
      return renderData(false,"操作失败",null);
    }
  }
  @RequestMapping(value = "/updateColumnsex")
  public ResponseEntity<String> updateColumnsex(Model model,HttpServletRequest request,Long id,String sex) throws Exception {
    String sql="update t_customer set sex=?   where id=?";
    int result = db.update(sql, new Object[]{sex,id});
    if(result==1){
      return renderData(true,"操作成功",null);
    }else{
      return renderData(false,"操作失败",null);
    }
  }
  @RequestMapping(value = "/edit")
  public String edit(Model model, HttpServletRequest request,Long id)throws Exception {
    if(id!=null){
      //修改
      String sql="select * from t_customer where id=?";
      Map map = db.queryForMap(sql,new Object[]{id});
      model.addAttribute("map", map);
    }String sql="";
    return "/admin/customer/edit";
  }
}
package com.lvyou.controller.admin;
import java.util.List;
import java.util.Map;
import javax.servlet.http.HttpServletRequest;
import org.springframework.http.ResponseEntity;
import org.springframework.stereotype.Controller;
import org.springframework.ui.Model;
import org.springframework.web.bind.annotation.RequestMapping;
import com.lvyou.controller.MyController;
@Controller("contactController")
@RequestMapping(value = "/admin/contact")
public class ContactController extends MyController {
  @RequestMapping(value = "/frame")
  public String frame(Model model, HttpServletRequest request,String flag)throws Exception {
    return "/admin/contact/frame";
  }
  @RequestMapping(value = "/list")
  public String list(Model model, HttpServletRequest request,String flag,String phone)throws Exception {
    String aa = "select * from t_customer ";
    List<Map> list11 = db.queryForList(aa);
    System.out.println(list11);
    String sql="select a.phone, a.*,(select max(customerName) from t_customer b where a.customerId=b.id) customerName  from t_contact a where 1=1";
if(1==2){sql+="and customerId="+getCustomer(request).get("id") +" ";}
  if(phone!=null&&!"".equals(phone)){
      sql+=" and phone like '%"+phone+"%'";
    }
    sql+=" order by id desc";
    List list = db.queryForList(sql);
    System.out.println(sql);
    request.setAttribute("list", list);
    System.out.println(list);
    return "/admin/contact/list";
  }
  @RequestMapping(value = "/editSave")
  public ResponseEntity<String> editSave(Model model,HttpServletRequest request,Long id,String flag
    ,Integer customerId,String phone,String content,String insertDate) throws Exception{
    int result = 0;
    if(id!=null){
      String sql="update t_contact set phone=?,content=? where id=?";
      result = db.update(sql, new Object[]{phone,content,id});
    }else{
      String sql="insert into t_contact(customerId,phone,content,insertDate) values(?,?,?,now())";
      result = db.update(sql, new Object[]{getCustomer(request).get("id"),phone,content});
    }
    if(result==1){
      return renderData(true,"操作成功",null);
    }else{
      return renderData(false,"操作失败",null);
    }
  }
  @RequestMapping(value = "/editDelete")
  public ResponseEntity<String> editDelete(Model model,HttpServletRequest request,Long id,String flag) throws Exception {
    String sql="delete from t_contact where id=?";
    int result = db.update(sql, new Object[]{id});
    if(result==1){
      return renderData(true,"操作成功",null);
    }else{
      return renderData(false,"操作失败",null);
    }
  }
  @RequestMapping(value = "/edit")
  public String edit(Model model, HttpServletRequest request,Long id,String flag)throws Exception {
    if(id!=null){
      //修改
      String sql="select * from t_contact where id=?";
      Map map = db.queryForMap(sql,new Object[]{id});
      model.addAttribute("map", map);
    }String sql="";
    return "/admin/contact/edit";
  }
}

五,项目总结

       本项目基于协同过滤的aprio推荐算法来对旅游酒店信息进行相应的推荐操作,同时实现了旅游景点管理、酒店管理、旅游攻略管理、旅游资讯管理、在线收藏、点赞、评论、投诉建议,实现了在线下单进行旅游酒店的预定操作,并可以进行全文检索查询等,功能强大,内容丰富,页面简洁。

相关文章
|
2月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
协同过滤算法:个性化推荐的艺术与科学
协同过滤算法:个性化推荐的艺术与科学
协同过滤算法:个性化推荐的艺术与科学
|
4月前
|
机器学习/深度学习 搜索推荐 算法
协同过滤算法
协同过滤算法
85 0
|
2月前
|
机器学习/深度学习 算法 搜索推荐
外卖平台推荐算法的优化与实践
外卖平台推荐算法的优化与实践
|
4月前
|
搜索推荐 算法 前端开发
美食物管理与推荐系统Python+Django网站开发+协同过滤推荐算法应用【计算机课设项目推荐】
美食物管理与推荐系统Python+Django网站开发+协同过滤推荐算法应用【计算机课设项目推荐】
106 4
美食物管理与推荐系统Python+Django网站开发+协同过滤推荐算法应用【计算机课设项目推荐】
|
2天前
|
机器学习/深度学习 人工智能 运维
人工智能平台PAI 操作报错合集之请问Alink的算法中的序列异常检测组件,是对数据进行分组后分别在每个组中执行异常检测,而不是将数据看作时序数据进行异常检测吧
阿里云人工智能平台PAI (Platform for Artificial Intelligence) 是阿里云推出的一套全面、易用的机器学习和深度学习平台,旨在帮助企业、开发者和数据科学家快速构建、训练、部署和管理人工智能模型。在使用阿里云人工智能平台PAI进行操作时,可能会遇到各种类型的错误。以下列举了一些常见的报错情况及其可能的原因和解决方法。
|
19天前
|
JavaScript 搜索推荐 前端开发
音乐发现平台:借助Python和Vue构建个性化音乐推荐系统
【4月更文挑战第11天】本文介绍了如何使用Python和Vue.js构建个性化音乐推荐系统。首先确保安装Python、Node.js、数据库系统和Git。后端可选择Flask或Django搭建RESTful API,处理歌曲数据。前端利用Vue.js创建用户界面,结合Vue CLI、Vuex和Vue Router实现功能丰富的SPA。通过Vuex管理状态,Axios与后端通信。这种前后端分离的架构利于协作和系统扩展,助力打造定制化音乐体验。
|
2月前
|
算法 搜索推荐
基于遗传优化的协同过滤推荐算法matlab仿真
该内容是关于推荐系统和算法的描述。使用Matlab2022a执行的算法生成了推荐商品ID列表,显示了协同过滤在个性化推荐中的应用。用户兴趣模型通过获取用户信息并建立数学模型来提高推荐性能。程序片段展示了遗传算法(GA)的迭代过程,确定支持度阈值,并基于关联规则生成推荐商品ID。最终结果是推荐的商品ID列表,显示了算法的收敛和支持值。
|
2月前
|
小程序 算法 搜索推荐
2024基于协同过滤算法springboot微信订餐小程序项目
2024基于协同过滤算法springboot微信订餐小程序项目
32 0
2024基于协同过滤算法springboot微信订餐小程序项目
|
2月前
|
搜索推荐 算法 Java
基于springboot+vue协同过滤算法的电影推荐系统
基于springboot+vue协同过滤算法的电影推荐系统