基数ALS算法实现房源智推荐系统
Intelligent recommendation system based on big data and ALS algorithm
成绩评定
成绩项
文成绩（百分制）
折合例
实成绩（折合分）
指导教师成绩
30
评阅教师成绩
20
答辩成绩
50
总评成绩
注：毕业设计（文）成绩百分制评定答辩成绩格（评分低60分）该毕业设计（文）总评成绩答辩成绩
容摘
目前现房源信息够透明化中介混淆市场含知商业链验租客会通周边房价走势走访周边房源调研筛选适合房源
时户工作点需求种群类型学生群体年轻资者中年希居住环境求相类型条件限制加户租房难度租房市场够透传统实体中介已需求文章介绍传统租房信息移动互联相结合运数收集类房源信息聚合数跨台整合信息通计算机软件开发相关技术开发出款智房源推荐台推荐户整推荐系统目解决itemuser匹配问题项目采典CF方法质构建useritem特征表达想办法抽取特征网络结构提取表达形式常说embedding方法然直接userembitememb计算相似度相似度高低返回推荐结果想办法构造巧妙者新颖方式抽取特征选现代化web框架SpringBoot+Vue完成台搭建
关键词：房源推荐系统 ALS算法 数 数采集
Abstract
At present the existing housing information is not transparent enough Most intermediaries confuse the market and contain unknown commercial chains Experienced tenants will use the surrounding housing price trends and visit the surrounding houses for comparative research to screen for suitable houses
At the same time for the user＇s work place needs and various types of people such as college students young petty bourgeoisie or middleaged people they want to live in different environmental requirements Various types of conditions and restrictions have also increased the difficulty of users renting houses Today＇s rental market is not transparent enough and traditional physical intermediaries can no longer keep up with demand The article will introduce the combination of traditional rental information and mobile internet use big data to collect various types of housing information aggregation data integrate information across platforms and finally develop a smart housing recommendation platform recommended to users through computer software development related technologies The purpose of the entire recommendation system is to solve the matching problem between item and user The most classic method used in this project is the CF method Essentially it is to construct the feature expression of user and item You can find a way to extract this expression using the network structure of extracted features Form which is often referred to as the embedding method Then you can directly use the emb of the user and the emb of all items to calculate the similarity and return the recommendation results according to the similarity Find a way to construct ingenious or novel ways to extract features and finally choose the modern web framework SpringBoot + Vue to complete the platform construction
Keywords House recommendation system ALS algorithm Big data house platform
目录
第章 绪 1
11 项目开发背景 1
12 项目开发目 1
13 项目开发意义 1
14 国研究现状发展趋势 1
15项目设计思路 2
第二章 台综述相关技术选型介绍 3
21 Python简介 3
22 Scrapy爬虫框架简介 3
23 JAVA语言简介 4
24 Hbase简介 5
25 章结 6
第三章 推荐算法介绍台推荐引擎实现 7
31 流推荐算法介绍 7
32 协滤算法 7
321 基模型协滤 7
322 基存协调滤算法 7
33 系统中推荐算法 8
34 系统中推荐引擎架构介绍 9
341 架构模块介绍 10
342 基房源户画户相似度计算方法 10
35 章结 11
第四章 租房推荐台实现 12
41 系统功模块设计实现 12
411 前台首页设计实现 12
412 分享组设计实现 13
413 数性化条件筛选房源功 15
414 智推荐房源功 17
42 台设计实现 18
421 台登录页面 18
422 户理模块 18
423 房源列表信息 19
424城市分类列表信息 19
43 章结 20
第五章 结 21
参 考 文 献 22
致 谢 23
第章 绪
11 项目开发背景
目前现房源信息够透明化中介混淆市场含知商业链验租客会通周边房价走势走访周边房源调研筛选适合房源
时户工作点需求种群类型学生群体年轻资者中年 希居住环境求相类型条件限制加户租房难度着城市化建设济发展业群流动相较市场庞需求租房市场够透传统实体中介已需求文章介绍传统租房信息移动互联相结合运数收集查阅信息跨台整合信息推荐户
12 项目开发目
说衣食住行社会生活必需品房价频频高涨现社会拼者说踏入社会年轻说会参租房市场
研究数展示现国租房口数量约2亿流动口学毕业生组成住房租赁市场13万亿 着城市化进程发展流动口规模断增加租住口提供基础2030年国需租房需求达29亿口市场规模超4亿口
13 项目开发意义
（1）基户协滤算法进行探索通数挖掘等前技术研究Web端移动端相关系统设计实现
（2）台户提供拥项功具良数视化友交互系统
（3）房源进行数采集标记分析处理通户协滤 相似度处理房源推荐台更加智更懂户
（4）缺乏房源信息需租房户带便利
14 国研究现状发展趋势
回顾国外相关领域研究学者丰富户兴趣特征构建协滤性化推荐方面已做研究工作协滤算法前推荐系统中应广泛推荐算法社交网络数情景融入数基文协滤方法
基础加网站爬取数进行系统设计通爬取网站数弥补协滤算法数缺失问题获取足够房源信息提取效历史租赁成功信息租房房源真实评价做出基房源理位置区分（商圈铁核心公交站等）房价价格排序房类型排序等通预测模型适合位独二户优质房源推荐户选择时记录户选择信息断补充数中心户数反复进行ALS运算样期户推送出更优更符合户群体准确租房房源信息
15项目设计思路
协滤算法前推荐系统中应广泛推荐算法互联网领域实际应价值电影推荐短视频推荐电商商品推荐等等场景通种基户协滤算法实现采集户Item户HistoryAction计算户间相似度通邻K算法找邻居通设定参数重预测item分值然分值高前x项目返回户完成推荐行
般说户项目评分够较精准反映户项目喜爱程度标签标注作种户行蕴含户项目容属性深入理解[4]文献[5]通项目标签进行简单计数统计求户项目标签偏量种方法计算户标签兴趣偏时会出现热门标签权重较问题样导致户选择稀缺标签难户进行推荐造成权重偏差降低推荐结果准确性未充分反映户兴趣偏针问题文引入TFIDF思想户项目标签偏进行计算
TFIDF种加权技术采种统计方法评估某特征词语料库中重程度[6]思想应户偏计算户选择某标签越频繁标签选择数越少标签整标签集中占越认户标签偏程度越高公式：
公式够推出标签选择数较整标签集中身占较高热门标签计算结果偏低户选择冷门标签相较户言户更关注标签该标签该户重程度更高样定程度区分明确户偏提高推荐准确率
第二章 台综述相关技术选型介绍
21 Python简介
PythonGuidovan Rusum1991年创建种广泛解释性高级通编程语言 Python设计理念强调读性简洁语法（尤通空间缩进花括号关键字分解代码块）允许开发员CJavaPython更少代码表达想法
Python编程语言特性种更加完全面象语言代码里面定义函数数字字符串象面象三特性继承重载派生重继承Python全面支持您促进源代码重构建复Python运行速度静态语言（CVisual Basic）慢应范围：网络应程序：Python通常创建服务器软件Web搜寻器支持种网络协议丰富第三方Web框架集开发理复杂Web流程科学计算变容易NumPySciPyMatplotlib样您轻松创建科学计算程序需重复API您需库：Python具强庞标准库 提供系统理文处理网络通信图形系统附加功外第三方库非常强 功涵盖科学计算Web开发数库界面图形系统许领域受欢迎库包括FlaskDjangoPILMatplotlibQTWxPythonTensorFlow
22 Scrapy爬虫框架简介
ScrapyPython款数挖掘框架网页容提取种图开源网络爬虫框架结构化数正进行数挖掘信息处理数存储等系列工作Srapy框架通采高效Twisted库异步处理网络通信线程异步保证高效载载速率提供系列高效强组件提供种插件接口允许开发者快速构建网络程序框架引擎调度器载器（Downloader）爬虫类项目线5基部件配置载机中间件爬虫类中间件扩展中间件构成图21示
图21 Scrapy爬虫框架
中引擎Scrpy爬虫类核心负责组件间责数流系统中触发事件时会调相应组件解决事件调度器接受发动机求请求队列中载机爬虫类队列中获取务前进方合理载器作载网页容页载放回爬虫类爬虫类分析页面规进行页面解析分析完成作Item数密封供数道合理项目道处理爬虫类网页中提取Item数务清洗验证检查数保存[7]般说项目线需进行数处理工作正载项目引擎载机间处理引擎载机间求响应爬虫类中间体介引擎爬虫类间处理爬虫类响应输入请求输出
Scripy详细操作流程爬虫类首先需发送请求Url引擎交调度器调度器排放进队伍请交载机然载器特网发送请求接收载铃声响应引擎爬虫类传递响应爬虫类处理响应提取数数通引擎保存数道中
23 JAVA语言简介
Java91年Sun Microsoft temstrick NaughtnChris WarthEd FrankMike Sheridan构想成果初称橡子1995年改名Java令惊讶设计Java初动机互联网开发出独立台语言制作包含微波炉冰箱空调电视遥控器等等设备应程序推测类型CPU作遥控器
什类型CPU通编译运行C++应程序CPU需指出C+编译器编译程序开发成高需花费时间针类型台进行移植者适配时程序员寻找更优解决方案Gosling团队正开发款移植跨台编程语言Java语言诞生
通设计Java细节影响Java形成重组件出现第二动机万维网果Java形成前法WebJava成消费类电子产品进行编程语言Web出现Web移植程序需求已Java推计算机语言设计前
数程序员知道手机App前途难学您需编程领域中创建高效移植程序留更紧迫问题着Internet出现星期三出现原潜移植性问题次出现台式机结果互联网类型PCOSCPU组成分布式网络空间1993年开始Java研究设计团队发现频繁出现网络编程方面需断解决台代码移植问题面方面Java开始消费电子转线网络Web编程体系结构关编程语言开发始提供Starfire终互联网Java未做出贡献
24 Hbase简介
HBase运作 HDFS 非关连式分散式资料库想 Big Data 世界 DataBase想拥 Hadoop 容错机制优点选 HBase HBase 具备高吞吐量低延迟性特点非常适合 Big Data进行更快速读写操作目前HBase深受企业网站包含：AdobeFacebookMeetupTrend MicroTwitterYahoo等等
Hadoop存储文件分布式运算MapReduceHadoop操作put get cat mv rmr等语法没edit采HBase
HBase特点提供时机读写功A电脑(client)新增笔资料时B电脑(client)马读取新资料修改然RDB样方面确做甚更RDB法存放PB数量级数者Oracle DB放资料量敢想Oracle会收少取授权费
然HBase社群努力效越越某情境法完全取代RDBRDB间没谁甚某状况相辅相成较常见情境利RDB作HBasemetadata储放处者作secondary index较复杂relation先RDB查询存放HBase资料键PKHBase取出raw data
HBase RowkeyMapReduceWordCount范例解文件中搜寻某关键字某行纪录时需单档案进行fully scan(完全扫描)符合关键字资讯需少时间完成件事
HBasecolumnoriented键值配(keyvalue pair)database资料储存keyvalue方式储存key资料键(PK)index称Rowkey果善Rowkey作查询条件搜寻效会fully scan方式快HBase优势存放资料时Rowkey设计成重课题Rowkey设计带天堂住进refactor套房
果RDBtable想HBasetable张稀疏矩阵（Sparse matrix）表格rowcolumn数量定会相等columnrow数量定会相
HBasekeyvalue方式储存keyvalue输入需新增批资料时种方法效率低HBase提供bulk load功者put机制直接资料转换成HBase储存格式：HFile避免put时触发splitcompactput效越越慢HBase SQL基HBase没建SQL查询功hbase shellscan搭配filter 查询
25 章结
章介绍通Python爬虫框架ScrapyJavaWeb常数日志储存数库Hbase优势说明什选Hbase数库数库优势
第三章 推荐算法介绍台推荐引擎实现
31 流推荐算法介绍
种排序算法常气排名等种基容（基容）筛选
例基项目相似性推荐常通数特征量相似性（ Cos 相似性）进行排序推荐[8]示例：购买棒球棒推荐棒球
协滤算法通处理户历史记录项相关事务数区建立户项矩阵般说会采混合算法实现推荐功章仅协滤算法进行介绍
协滤算法中常见事件推荐类似项目推荐热门项目长期发布项目隔年购买次推荐结果会显示果户行历史记录收集够精度佳
32 协滤算法
321 基模型协滤
协调滤算法类型种基模型滤算法基模型预先检查数规律性进行预测户项矩阵构建模型模型类型包括：矩阵子分解模型户项矩阵分解户矩阵 （user k） 项矩阵 （item k） 时已具值单元格值误差分解矩阵积撤消时值位没值单元格中该值评估值奇异值分解（SVD：星光值分解）非负矩阵子分解（NMF：非加特夫矩阵子） SVD 分解矩阵元素正数（SGD：Stochastic Gradient Descent）机梯度降方法（ALS：Alternative Least Squares）交二法进行群集模型具相似偏户组推荐函数模型户首选项模式预测项评级函数概率模型行分布类型：户项目评估分布进行建模m评估分布类型：项评估值时分布建模贝叶斯网络等时间序列模型 马尔科夫程：考虑评估项目时间序马尔科夫决策程（MDP：Markov决策）：外户行建模配合滤波
322 基存协调滤算法
基存协调滤概念相似性历史中揭示类似相似性估计推荐产品
相似性情况户间相似性产品间相似性认两前者时基户者称基项目
户群：户行历史记录中计算户间相似性决定建议项目方法
示例：想A推荐东西A先生正购买产品a产品bc
B 类似行历史购买产品 a产品 b产品 c 产品 d您 A 推荐产品 d
基项户行历史记录中计算项目间相似性推荐类似项技术
示例：产品 A 通常产品 B 起购买产品 A 购买者推荐产品 B
基户协作筛选逻辑机器学技术称 kNN 回
简描述 kNN（kNearestNeighbork邻域方法）估计相似 k 观测值估计值
算法概述
计算户户相似性推荐目标户（户x）高度相似 k 名称户采集户x 尚未户项目集合返回项目列表推荐项目选择期间相似性较高户项目具更高权重基项户库考虑户间相似性项目库考虑项目间相似性想法基户相
相似性包括：欧里德距离 （ 欧克里迪恩 ）方欧里距离 （ Squared Euclidean distance ）两点间正常距离皮尔逊积相关系数（ 皮尔森 correlation coefficient ）余弦相似性户评估总体均值规范化户评级
数未规范化情况通常欧里距离产生更结果户库中Pearson做数学相关系数通样做两户间获高相关性评估趋势相似示户A：拉面三点咖喱炒饭15分 户B：拉面5分咖喱炒饭通常35分 外项目基础余弦相似性常
33 系统中推荐算法
系统中推荐算法说基容推荐算法基容推荐户喜欢东西基础推荐项目相似东西方法文档类推荐领域（新闻文档页书籍等）广泛应文通户历史订货评价关文数提取表示订单预测
滤波器推荐构建推荐系统般技术直接通户行（例户订购时）预测户喜进行单评价兴趣前兴趣致作参考需领域知识现基模型协滤波目应该评价数中发现潜影响子利数挖掘机器学技术训练数中找模型模式计算户商品评分基存联合滤通户基础
基户协作滤推荐系统中早算法]思想发现进行亲密例类似目标户亲密户
体程
（1）查找附户N：计算目标户户相似度选择超设定阈值户户旁边显示户
（2）分预测：户User预测项目Item目标户User值组相邻User户值
N具项Item等级该等级高相似性阈值
（3）推荐阶段：预测象户未评价商品分采TopK方法评价值高K项目目标户推荐
然物品滤推荐系统中非常常见流行思路计算户户相似性选择推荐目标户（户 A）高度相似 k 名称户提取户 A 尚未户项目集合返回项目列表推荐项目选择期间相似性较高户项目具更高权重基项户库考虑户间相似性项目库考虑项目间相似性想法基户相利目物目标户评价高情况利类似度利评分目标户目标物品评分具体步骤：
（1）计算目标物物品类似性
（2）评价预测户u物品s预测式
（3）推荐阶段：预测象户未评价房源评分采TopK邻K算法
34 系统中推荐引擎架构介绍
具体系统架构图 图31示：
图31 推荐系统架构图
341 架构模块介绍
日志数模块(flink2hbase)中分6Flink务户产品浏览历史 > 实现基协滤推荐逻辑通Flink记录户浏览类目产品面基Item协滤做准备 实时记录户评分Hbase中续离线处理做准备[9]
数存储Hbaseuser_action表中户兴趣>实现基文推荐逻辑户产品操作中计算兴趣度计算规通操作间隔时间(购物浏览<100s)中判定次关心事件FlinkValueState实现果户操作Action3(收藏)该产品state超100s时果发生Action3事件清state数存储Hbaseu_interest表中
事实热排名>实现基热推荐逻辑
通Flink时间窗口机制统计前时间实时热数缓慢存Redis中通Flink窗口机制计算实时热ListState保存次热排序
数存储redis中时间戳存储list
日志直接Kafka收数导入Hbase事实表保存完整日志log日志包含户Id户操作产品id操作时间行(例购买点击推荐等)数时间窗统计数画面需数返回前段展示数存储Hbasecon表中
342 基房源户画户相似度计算方法
基产品画推荐逻辑赖产品画热度榜两维度产品画三特征包含 价格房源商区工作区域 三角度通计算户该类目产品评分滤
已产品画基础计算itemitem间关联系通余弦相似度计算两两间评分已物品选中情况推荐关联性更高产品具体图32示：
图32 收集户行设计
35 章结
章介绍流推荐算法进行详细介绍基模型协滤算法基存协调滤算法时推荐引擎架构进行介绍具体手机户行设计采基房源户画户相似度计算方法进行设计
第四章 租房推荐台实现
41 系统功模块设计实现
411 前台首页设计实现
前台项目通现代前端框架Vuecli脚手架工具结合流UI框架适应全屏轮播推广台性化Slogen引入Annimationcss动画框架交互展示动画非常流畅优美产品体验设计增强户体验培养户粘性
(1)鼠标移入右角户登录注册区域粉色背景色结合动画点击启动前台页面户登陆注册模块具体图41示
图41 前台页面
(2)登录模块中界面采常话框形式背景绚丽彩强调色突出登陆框题加深户印象话框形式户互动户输入户名密码点击登录钮输入户名密码参数放入list象中图42示
图42 户登陆页面
(3)首页登录模块导航栏页面采折叠导航栏设计整页面布局更舒适细腻图43示
图43 首页折叠导航栏设计
412 分享组设计实现
（1）通首页隐藏式导航栏者顶部导航栏进入种帖子点击帖子进入帖子详细信息页面回复回复旅行家者城市租客沟通交流遇喜欢评点赞发帖操作设计思路：通点击发帖钮填入应信息进行发帖数库表进行插入数操作然通获取ID显示页面点赞操作设计思路：点赞钮设计事件监听器户点击钮时获取应数帖子ID户ID等然数库点赞数进行更新操作显示页面具体图44示
图44 社交模块分享组
（2）社交模块里帖子详情页图45示
图45 社交模块分享组帖子页面
413 数性化条件筛选房源功
房源信息查询功基通爬虫引擎收集房源台公开数进行研究公开户提供视界面显示高质量房屋端服务器接受数做出展示具体查询界面图46示
图46 性化选房功
搜索系统界面中显示房屋总数10页符合条件出租房屋您选中区域条件单击搜索钮时块区域关房源列表信息会显示图者列表图46示越秀区找月租金2000元房间颜色图标标记图46示蓝色标签指示已选择2000元例您找月租金20003000元房屋台中页面搜索功功类似赘述支持重条件搜索筛选图示搜索城市广州面积4060方米页搜索完成您通台收集高质量家庭数该系统提供种显示房屋文列表方法系统两种显示模式种文列表显示LBS映射模式果登录记录户操作例收集观时间户画等推动性化房屋筛选图47示
图47符合条件房源列表页面
414 智推荐房源功
通首页智房源推荐钮户登录会根户房源点赞收藏感兴趣指数（停留时间）通ALS构建模型进行离线数分析进行返回数前台页面
(1)首页点击进入推荐房源功钮入口图48示：
图48进入智推荐系统
(2)点击进入智推荐系统显示推荐房源信息具体图49示：
图49位户智推荐房源页面
42 台设计实现
421 台登录页面
通登陆台服务器端包含房源理城市分类理户信息理社区理系统理通读取输入账号密码数库数进行错误进行提示果输入户名密码理员者台配置户组进入智房源推荐系统理台台登录页面图410示：
图410台登录页面
422 户理模块
户理页面台超级理员访问功理员户列表页户信息进行添加编辑删台进行数操作时候客户端应模块数进行操作界面图411示：
图411户列表页面
423 房源列表信息
房源列表理页面理员功实现城市房源列表信息理添加编辑删某效房源信息界面图412示：
图412房源列表页面
424城市分类列表信息
实现城市列表信息理添加编辑删新闻列表信息界面图413示：
图413城市分类列表页面
43 章结
章容包括前台页面服务端台理系统功模块设计代码代码实现效果展示
第五章 结
基户协滤算法智房源推荐系统够提供信息化智化租房 APP智慧生活重体现文研究基户肖数户行信息户收藏户长时间停留浏览记录等等数 户提供住房数高度相似性通协滤算法挖掘相关数项目利爬虫框架市面公开房源台抓取房源信息通数分析选出优质房源放入数库中通Java SpringBoot框架结合前端MVVM框架Vue进行开发实现项目时存足例房源数维度数处理数分析定制性折扣续会通更数反复耦合区训练模型户量户行信息足够情况化发挥算法优势两种协滤算法优势互补相互融合续推荐系统户提供更加精准服务提供支持
总体言系统设计研究智房源推荐台户提供更加性化性化房源数推荐获取关键数方面户推荐相似户精选优质房源节省选房时间
参 考 文 献
[1]王娟熊巍基矩阵分解邻推荐系统应[J]统计决策201935(06)1720刚刚
[2]张川周泽红南桑瑞婷基关联规协滤改进算法[J]重庆理工学学报(然科学)201933(03)161168
[3]黄太波汪毓铎基邻居模型协滤算法应研究[J]北京信息科技学学报(然科学版)201732(04)9094
[4]王明佳韩景倜基户项目属性偏协滤算法[J]计算机工程应201753(06)106110
[5]博姜久雷基评分差异度户偏协滤算法[J]计算机应201636(04)10501053+1065
[6]单玉红朱欣焰基体行决策城市居住利效情景分析[J]然资源学报201126(11)1832184
[7]单玉红朱欣焰基体行决策城市居住利效情景分析[J]然资源学报201126(11)18321841
[8]刘洋瑀 某线租房系统设计实现[D]华中科技学2019
[9]朱道恒秦学刘君凤种基HBaseRDF数存储改进方法[J]软件201940(12)1317
[10]刘建明顾凯徐翔宇GS模型双边推荐算法[J]微电子学计算机201633(04)117120+124
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
基数ALS算法实现房源智推荐系统
Intelligent recommendation system based on big data and ALS algorithm
成绩评定
成绩项
文成绩（百分制）
折合例
实成绩（折合分）
指导教师成绩
30
评阅教师成绩
20
答辩成绩
50
总评成绩
注：毕业设计（文）成绩百分制评定答辩成绩格（评分低60分）该毕业设计（文）总评成绩答辩成绩
容摘
目前现房源信息够透明化中介混淆市场含知商业链验租客会通周边房价走势走访周边房源调研筛选适合房源
时户工作点需求种群类型学生群体年轻资者中年希居住环境求相类型条件限制加户租房难度租房市场够透传统实体中介已需求文章介绍传统租房信息移动互联相结合运数收集类房源信息聚合数跨台整合信息通计算机软件开发相关技术开发出款智房源推荐台推荐户整推荐系统目解决itemuser匹配问题项目采典CF方法质构建useritem特征表达想办法抽取特征网络结构提取表达形式常说embedding方法然直接userembitememb计算相似度相似度高低返回推荐结果想办法构造巧妙者新颖方式抽取特征选现代化web框架SpringBoot+Vue完成台搭建
关键词：房源推荐系统 ALS算法 数 数采集
Abstract
At present the existing housing information is not transparent enough Most intermediaries confuse the market and contain unknown commercial chains Experienced tenants will use the surrounding housing price trends and visit the surrounding houses for comparative research to screen for suitable houses
At the same time for the user＇s work place needs and various types of people such as college students young petty bourgeoisie or middleaged people they want to live in different environmental requirements Various types of conditions and restrictions have also increased the difficulty of users renting houses Today＇s rental market is not transparent enough and traditional physical intermediaries can no longer keep up with demand The article will introduce the combination of traditional rental information and mobile internet use big data to collect various types of housing information aggregation data integrate information across platforms and finally develop a smart housing recommendation platform recommended to users through computer software development related technologies The purpose of the entire recommendation system is to solve the matching problem between item and user The most classic method used in this project is the CF method Essentially it is to construct the feature expression of user and item You can find a way to extract this expression using the network structure of extracted features Form which is often referred to as the embedding method Then you can directly use the emb of the user and the emb of all items to calculate the similarity and return the recommendation results according to the similarity Find a way to construct ingenious or novel ways to extract features and finally choose the modern web framework SpringBoot + Vue to complete the platform construction
Keywords House recommendation system ALS algorithm Big data house platform
目录
第章 绪 1
11 项目开发背景 1
12 项目开发目 1
13 项目开发意义 1
14 国研究现状发展趋势 1
15项目设计思路 2
第二章 台综述相关技术选型介绍 3
21 Python简介 3
22 Scrapy爬虫框架简介 3
23 JAVA语言简介 4
24 Hbase简介 5
25 章结 6
第三章 推荐算法介绍台推荐引擎实现 7
31 流推荐算法介绍 7
32 协滤算法 7
321 基模型协滤 7
322 基存协调滤算法 7
33 系统中推荐算法 8
34 系统中推荐引擎架构介绍 9
341 架构模块介绍 10
342 基房源户画户相似度计算方法 10
35 章结 11
第四章 租房推荐台实现 12
41 系统功模块设计实现 12
411 前台首页设计实现 12
412 分享组设计实现 13
413 数性化条件筛选房源功 15
414 智推荐房源功 17
42 台设计实现 18
421 台登录页面 18
422 户理模块 18
423 房源列表信息 19
424城市分类列表信息 19
43 章结 20
第五章 结 21
参 考 文 献 22
致 谢 23
第章 绪
11 项目开发背景
目前现房源信息够透明化中介混淆市场含知商业链验租客会通周边房价走势走访周边房源调研筛选适合房源
时户工作点需求种群类型学生群体年轻资者中年 希居住环境求相类型条件限制加户租房难度着城市化建设济发展业群流动相较市场庞需求租房市场够透传统实体中介已需求文章介绍传统租房信息移动互联相结合运数收集查阅信息跨台整合信息推荐户
12 项目开发目
说衣食住行社会生活必需品房价频频高涨现社会拼者说踏入社会年轻说会参租房市场
研究数展示现国租房口数量约2亿流动口学毕业生组成住房租赁市场13万亿 着城市化进程发展流动口规模断增加租住口提供基础2030年国需租房需求达29亿口市场规模超4亿口
13 项目开发意义
（1）基户协滤算法进行探索通数挖掘等前技术研究Web端移动端相关系统设计实现
（2）台户提供拥项功具良数视化友交互系统
（3）房源进行数采集标记分析处理通户协滤 相似度处理房源推荐台更加智更懂户
（4）缺乏房源信息需租房户带便利
14 国研究现状发展趋势
回顾国外相关领域研究学者丰富户兴趣特征构建协滤性化推荐方面已做研究工作协滤算法前推荐系统中应广泛推荐算法社交网络数情景融入数基文协滤方法
基础加网站爬取数进行系统设计通爬取网站数弥补协滤算法数缺失问题获取足够房源信息提取效历史租赁成功信息租房房源真实评价做出基房源理位置区分（商圈铁核心公交站等）房价价格排序房类型排序等通预测模型适合位独二户优质房源推荐户选择时记录户选择信息断补充数中心户数反复进行ALS运算样期户推送出更优更符合户群体准确租房房源信息
15项目设计思路
协滤算法前推荐系统中应广泛推荐算法互联网领域实际应价值电影推荐短视频推荐电商商品推荐等等场景通种基户协滤算法实现采集户Item户HistoryAction计算户间相似度通邻K算法找邻居通设定参数重预测item分值然分值高前x项目返回户完成推荐行
般说户项目评分够较精准反映户项目喜爱程度标签标注作种户行蕴含户项目容属性深入理解[4]文献[5]通项目标签进行简单计数统计求户项目标签偏量种方法计算户标签兴趣偏时会出现热门标签权重较问题样导致户选择稀缺标签难户进行推荐造成权重偏差降低推荐结果准确性未充分反映户兴趣偏针问题文引入TFIDF思想户项目标签偏进行计算
TFIDF种加权技术采种统计方法评估某特征词语料库中重程度[6]思想应户偏计算户选择某标签越频繁标签选择数越少标签整标签集中占越认户标签偏程度越高公式：
公式够推出标签选择数较整标签集中身占较高热门标签计算结果偏低户选择冷门标签相较户言户更关注标签该标签该户重程度更高样定程度区分明确户偏提高推荐准确率
第二章 台综述相关技术选型介绍
21 Python简介
PythonGuidovan Rusum1991年创建种广泛解释性高级通编程语言 Python设计理念强调读性简洁语法（尤通空间缩进花括号关键字分解代码块）允许开发员CJavaPython更少代码表达想法
Python编程语言特性种更加完全面象语言代码里面定义函数数字字符串象面象三特性继承重载派生重继承Python全面支持您促进源代码重构建复Python运行速度静态语言（CVisual Basic）慢应范围：网络应程序：Python通常创建服务器软件Web搜寻器支持种网络协议丰富第三方Web框架集开发理复杂Web流程科学计算变容易NumPySciPyMatplotlib样您轻松创建科学计算程序需重复API您需库：Python具强庞标准库 提供系统理文处理网络通信图形系统附加功外第三方库非常强 功涵盖科学计算Web开发数库界面图形系统许领域受欢迎库包括FlaskDjangoPILMatplotlibQTWxPythonTensorFlow
22 Scrapy爬虫框架简介
ScrapyPython款数挖掘框架网页容提取种图开源网络爬虫框架结构化数正进行数挖掘信息处理数存储等系列工作Srapy框架通采高效Twisted库异步处理网络通信线程异步保证高效载载速率提供系列高效强组件提供种插件接口允许开发者快速构建网络程序框架引擎调度器载器（Downloader）爬虫类项目线5基部件配置载机中间件爬虫类中间件扩展中间件构成图21示
图21 Scrapy爬虫框架
中引擎Scrpy爬虫类核心负责组件间责数流系统中触发事件时会调相应组件解决事件调度器接受发动机求请求队列中载机爬虫类队列中获取务前进方合理载器作载网页容页载放回爬虫类爬虫类分析页面规进行页面解析分析完成作Item数密封供数道合理项目道处理爬虫类网页中提取Item数务清洗验证检查数保存[7]般说项目线需进行数处理工作正载项目引擎载机间处理引擎载机间求响应爬虫类中间体介引擎爬虫类间处理爬虫类响应输入请求输出
Scripy详细操作流程爬虫类首先需发送请求Url引擎交调度器调度器排放进队伍请交载机然载器特网发送请求接收载铃声响应引擎爬虫类传递响应爬虫类处理响应提取数数通引擎保存数道中
23 JAVA语言简介
Java91年Sun Microsoft temstrick NaughtnChris WarthEd FrankMike Sheridan构想成果初称橡子1995年改名Java令惊讶设计Java初动机互联网开发出独立台语言制作包含微波炉冰箱空调电视遥控器等等设备应程序推测类型CPU作遥控器
什类型CPU通编译运行C++应程序CPU需指出C+编译器编译程序开发成高需花费时间针类型台进行移植者适配时程序员寻找更优解决方案Gosling团队正开发款移植跨台编程语言Java语言诞生
通设计Java细节影响Java形成重组件出现第二动机万维网果Java形成前法WebJava成消费类电子产品进行编程语言Web出现Web移植程序需求已Java推计算机语言设计前
数程序员知道手机App前途难学您需编程领域中创建高效移植程序留更紧迫问题着Internet出现星期三出现原潜移植性问题次出现台式机结果互联网类型PCOSCPU组成分布式网络空间1993年开始Java研究设计团队发现频繁出现网络编程方面需断解决台代码移植问题面方面Java开始消费电子转线网络Web编程体系结构关编程语言开发始提供Starfire终互联网Java未做出贡献
24 Hbase简介
HBase运作 HDFS 非关连式分散式资料库想 Big Data 世界 DataBase想拥 Hadoop 容错机制优点选 HBase HBase 具备高吞吐量低延迟性特点非常适合 Big Data进行更快速读写操作目前HBase深受企业网站包含：AdobeFacebookMeetupTrend MicroTwitterYahoo等等
Hadoop存储文件分布式运算MapReduceHadoop操作put get cat mv rmr等语法没edit采HBase
HBase特点提供时机读写功A电脑(client)新增笔资料时B电脑(client)马读取新资料修改然RDB样方面确做甚更RDB法存放PB数量级数者Oracle DB放资料量敢想Oracle会收少取授权费
然HBase社群努力效越越某情境法完全取代RDBRDB间没谁甚某状况相辅相成较常见情境利RDB作HBasemetadata储放处者作secondary index较复杂relation先RDB查询存放HBase资料键PKHBase取出raw data
HBase RowkeyMapReduceWordCount范例解文件中搜寻某关键字某行纪录时需单档案进行fully scan(完全扫描)符合关键字资讯需少时间完成件事
HBasecolumnoriented键值配(keyvalue pair)database资料储存keyvalue方式储存key资料键(PK)index称Rowkey果善Rowkey作查询条件搜寻效会fully scan方式快HBase优势存放资料时Rowkey设计成重课题Rowkey设计带天堂住进refactor套房
果RDBtable想HBasetable张稀疏矩阵（Sparse matrix）表格rowcolumn数量定会相等columnrow数量定会相
HBasekeyvalue方式储存keyvalue输入需新增批资料时种方法效率低HBase提供bulk load功者put机制直接资料转换成HBase储存格式：HFile避免put时触发splitcompactput效越越慢HBase SQL基HBase没建SQL查询功hbase shellscan搭配filter 查询
25 章结
章介绍通Python爬虫框架ScrapyJavaWeb常数日志储存数库Hbase优势说明什选Hbase数库数库优势
第三章 推荐算法介绍台推荐引擎实现
31 流推荐算法介绍
种排序算法常气排名等种基容（基容）筛选
例基项目相似性推荐常通数特征量相似性（ Cos 相似性）进行排序推荐[8]示例：购买棒球棒推荐棒球
协滤算法通处理户历史记录项相关事务数区建立户项矩阵般说会采混合算法实现推荐功章仅协滤算法进行介绍
协滤算法中常见事件推荐类似项目推荐热门项目长期发布项目隔年购买次推荐结果会显示果户行历史记录收集够精度佳
32 协滤算法
321 基模型协滤
协调滤算法类型种基模型滤算法基模型预先检查数规律性进行预测户项矩阵构建模型模型类型包括：矩阵子分解模型户项矩阵分解户矩阵 （user k） 项矩阵 （item k） 时已具值单元格值误差分解矩阵积撤消时值位没值单元格中该值评估值奇异值分解（SVD：星光值分解）非负矩阵子分解（NMF：非加特夫矩阵子） SVD 分解矩阵元素正数（SGD：Stochastic Gradient Descent）机梯度降方法（ALS：Alternative Least Squares）交二法进行群集模型具相似偏户组推荐函数模型户首选项模式预测项评级函数概率模型行分布类型：户项目评估分布进行建模m评估分布类型：项评估值时分布建模贝叶斯网络等时间序列模型 马尔科夫程：考虑评估项目时间序马尔科夫决策程（MDP：Markov决策）：外户行建模配合滤波
322 基存协调滤算法
基存协调滤概念相似性历史中揭示类似相似性估计推荐产品
相似性情况户间相似性产品间相似性认两前者时基户者称基项目
户群：户行历史记录中计算户间相似性决定建议项目方法
示例：想A推荐东西A先生正购买产品a产品bc
B 类似行历史购买产品 a产品 b产品 c 产品 d您 A 推荐产品 d
基项户行历史记录中计算项目间相似性推荐类似项技术
示例：产品 A 通常产品 B 起购买产品 A 购买者推荐产品 B
基户协作筛选逻辑机器学技术称 kNN 回
简描述 kNN（kNearestNeighbork邻域方法）估计相似 k 观测值估计值
算法概述
计算户户相似性推荐目标户（户x）高度相似 k 名称户采集户x 尚未户项目集合返回项目列表推荐项目选择期间相似性较高户项目具更高权重基项户库考虑户间相似性项目库考虑项目间相似性想法基户相
相似性包括：欧里德距离 （ 欧克里迪恩 ）方欧里距离 （ Squared Euclidean distance ）两点间正常距离皮尔逊积相关系数（ 皮尔森 correlation coefficient ）余弦相似性户评估总体均值规范化户评级
数未规范化情况通常欧里距离产生更结果户库中Pearson做数学相关系数通样做两户间获高相关性评估趋势相似示户A：拉面三点咖喱炒饭15分 户B：拉面5分咖喱炒饭通常35分 外项目基础余弦相似性常
33 系统中推荐算法
系统中推荐算法说基容推荐算法基容推荐户喜欢东西基础推荐项目相似东西方法文档类推荐领域（新闻文档页书籍等）广泛应文通户历史订货评价关文数提取表示订单预测
滤波器推荐构建推荐系统般技术直接通户行（例户订购时）预测户喜进行单评价兴趣前兴趣致作参考需领域知识现基模型协滤波目应该评价数中发现潜影响子利数挖掘机器学技术训练数中找模型模式计算户商品评分基存联合滤通户基础
基户协作滤推荐系统中早算法]思想发现进行亲密例类似目标户亲密户
体程
（1）查找附户N：计算目标户户相似度选择超设定阈值户户旁边显示户
（2）分预测：户User预测项目Item目标户User值组相邻User户值
N具项Item等级该等级高相似性阈值
（3）推荐阶段：预测象户未评价商品分采TopK方法评价值高K项目目标户推荐
然物品滤推荐系统中非常常见流行思路计算户户相似性选择推荐目标户（户 A）高度相似 k 名称户提取户 A 尚未户项目集合返回项目列表推荐项目选择期间相似性较高户项目具更高权重基项户库考虑户间相似性项目库考虑项目间相似性想法基户相利目物目标户评价高情况利类似度利评分目标户目标物品评分具体步骤：
（1）计算目标物物品类似性
（2）评价预测户u物品s预测式
（3）推荐阶段：预测象户未评价房源评分采TopK邻K算法
34 系统中推荐引擎架构介绍
具体系统架构图 图31示：
图31 推荐系统架构图
341 架构模块介绍
日志数模块(flink2hbase)中分6Flink务户产品浏览历史 > 实现基协滤推荐逻辑通Flink记录户浏览类目产品面基Item协滤做准备 实时记录户评分Hbase中续离线处理做准备[9]
数存储Hbaseuser_action表中户兴趣>实现基文推荐逻辑户产品操作中计算兴趣度计算规通操作间隔时间(购物浏览<100s)中判定次关心事件FlinkValueState实现果户操作Action3(收藏)该产品state超100s时果发生Action3事件清state数存储Hbaseu_interest表中
事实热排名>实现基热推荐逻辑
通Flink时间窗口机制统计前时间实时热数缓慢存Redis中通Flink窗口机制计算实时热ListState保存次热排序
数存储redis中时间戳存储list
日志直接Kafka收数导入Hbase事实表保存完整日志log日志包含户Id户操作产品id操作时间行(例购买点击推荐等)数时间窗统计数画面需数返回前段展示数存储Hbasecon表中
342 基房源户画户相似度计算方法
基产品画推荐逻辑赖产品画热度榜两维度产品画三特征包含 价格房源商区工作区域 三角度通计算户该类目产品评分滤
已产品画基础计算itemitem间关联系通余弦相似度计算两两间评分已物品选中情况推荐关联性更高产品具体图32示：
图32 收集户行设计
35 章结
章介绍流推荐算法进行详细介绍基模型协滤算法基存协调滤算法时推荐引擎架构进行介绍具体手机户行设计采基房源户画户相似度计算方法进行设计
第四章 租房推荐台实现
41 系统功模块设计实现
411 前台首页设计实现
前台项目通现代前端框架Vuecli脚手架工具结合流UI框架适应全屏轮播推广台性化Slogen引入Annimationcss动画框架交互展示动画非常流畅优美产品体验设计增强户体验培养户粘性
(1)鼠标移入右角户登录注册区域粉色背景色结合动画点击启动前台页面户登陆注册模块具体图41示
图41 前台页面
(2)登录模块中界面采常话框形式背景绚丽彩强调色突出登陆框题加深户印象话框形式户互动户输入户名密码点击登录钮输入户名密码参数放入list象中图42示
图42 户登陆页面
(3)首页登录模块导航栏页面采折叠导航栏设计整页面布局更舒适细腻图43示
图43 首页折叠导航栏设计
412 分享组设计实现
（1）通首页隐藏式导航栏者顶部导航栏进入种帖子点击帖子进入帖子详细信息页面回复回复旅行家者城市租客沟通交流遇喜欢评点赞发帖操作设计思路：通点击发帖钮填入应信息进行发帖数库表进行插入数操作然通获取ID显示页面点赞操作设计思路：点赞钮设计事件监听器户点击钮时获取应数帖子ID户ID等然数库点赞数进行更新操作显示页面具体图44示
图44 社交模块分享组
（2）社交模块里帖子详情页图45示
图45 社交模块分享组帖子页面
413 数性化条件筛选房源功
房源信息查询功基通爬虫引擎收集房源台公开数进行研究公开户提供视界面显示高质量房屋端服务器接受数做出展示具体查询界面图46示
图46 性化选房功
搜索系统界面中显示房屋总数10页符合条件出租房屋您选中区域条件单击搜索钮时块区域关房源列表信息会显示图者列表图46示越秀区找月租金2000元房间颜色图标标记图46示蓝色标签指示已选择2000元例您找月租金20003000元房屋台中页面搜索功功类似赘述支持重条件搜索筛选图示搜索城市广州面积4060方米页搜索完成您通台收集高质量家庭数该系统提供种显示房屋文列表方法系统两种显示模式种文列表显示LBS映射模式果登录记录户操作例收集观时间户画等推动性化房屋筛选图47示
图47符合条件房源列表页面
414 智推荐房源功
通首页智房源推荐钮户登录会根户房源点赞收藏感兴趣指数（停留时间）通ALS构建模型进行离线数分析进行返回数前台页面
(1)首页点击进入推荐房源功钮入口图48示：
图48进入智推荐系统
(2)点击进入智推荐系统显示推荐房源信息具体图49示：
图49位户智推荐房源页面
42 台设计实现
421 台登录页面
通登陆台服务器端包含房源理城市分类理户信息理社区理系统理通读取输入账号密码数库数进行错误进行提示果输入户名密码理员者台配置户组进入智房源推荐系统理台台登录页面图410示：
图410台登录页面
422 户理模块
户理页面台超级理员访问功理员户列表页户信息进行添加编辑删台进行数操作时候客户端应模块数进行操作界面图411示：
图411户列表页面
423 房源列表信息
房源列表理页面理员功实现城市房源列表信息理添加编辑删某效房源信息界面图412示：
图412房源列表页面
424城市分类列表信息
实现城市列表信息理添加编辑删新闻列表信息界面图413示：
图413城市分类列表页面
43 章结
章容包括前台页面服务端台理系统功模块设计代码代码实现效果展示
第五章 结
基户协滤算法智房源推荐系统够提供信息化智化租房 APP智慧生活重体现文研究基户肖数户行信息户收藏户长时间停留浏览记录等等数 户提供住房数高度相似性通协滤算法挖掘相关数项目利爬虫框架市面公开房源台抓取房源信息通数分析选出优质房源放入数库中通Java SpringBoot框架结合前端MVVM框架Vue进行开发实现项目时存足例房源数维度数处理数分析定制性折扣续会通更数反复耦合区训练模型户量户行信息足够情况化发挥算法优势两种协滤算法优势互补相互融合续推荐系统户提供更加精准服务提供支持
总体言系统设计研究智房源推荐台户提供更加性化性化房源数推荐获取关键数方面户推荐相似户精选优质房源节省选房时间
参 考 文 献
[1]王娟熊巍基矩阵分解邻推荐系统应[J]统计决策201935(06)1720刚刚
[2]张川周泽红南桑瑞婷基关联规协滤改进算法[J]重庆理工学学报(然科学)201933(03)161168
[3]黄太波汪毓铎基邻居模型协滤算法应研究[J]北京信息科技学学报(然科学版)201732(04)9094
[4]王明佳韩景倜基户项目属性偏协滤算法[J]计算机工程应201753(06)106110
[5]博姜久雷基评分差异度户偏协滤算法[J]计算机应201636(04)10501053+1065
[6]单玉红朱欣焰基体行决策城市居住利效情景分析[J]然资源学报201126(11)1832184
[7]单玉红朱欣焰基体行决策城市居住利效情景分析[J]然资源学报201126(11)18321841
[8]刘洋瑀 某线租房系统设计实现[D]华中科技学2019
[9]朱道恒秦学刘君凤种基HBaseRDF数存储改进方法[J]软件201940(12)1317
[10]刘建明顾凯徐翔宇GS模型双边推荐算法[J]微电子学计算机201633(04)117120+124
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
