清江浦区房产推荐系统的设计与实现(源码)
随着近年来居民的购房热情持续高涨，房价的持续上涨，房源信息也逐日增多，因此如何给购房者推荐满意的楼盘具有重要的意义。淮安市清江浦区房产推荐系统主要通过采集淮安市清江浦区房源的信息，根据房源信息和用户信息，提出个性化的推荐策略。本文使用Java语言、前端Easyui并结合使用MYSQL数据库等进行网站开发以及安卓的开发，设计出一个界面美观，简单直观，操作方便的房产推荐系统。管理员可以在管理端对房源数据进行增、删、改、查的管理。系统通过用户的个人喜好来给用户推荐适合于用户的房产资源。该系统主要有房源信息的展示，推荐房源信息的展示，收藏房源信息以及个人用户管理等功能。该系统实现了房产推荐的基本所需功能。关键词 房产推荐，java，mysql，android
目 录
1 引言 1
1.1 课题研究的背景 1
1.2 课题研究的意义 1
1.3 国内外现状 2
1.4 课题的研究内容 3
2 相关开发技术介绍 3
2.1 Eclipse 3
2.2 Tomcat 3
2.3 MYSQL 4
2.4 自动化推荐功能 4
2.5 协同过滤推荐算法 4
3 系统分析 4
3.1 系统可行性分析 4
3.2 系统需求分析 5
4 系统概要设计 6
4.1 系统功能概述 6
4.2 系统架构设计 7
4.3 数据库设计 11
5 系统详细设计 13
5.1 系统管理模块设计 13
5.2 后台管理功能模块 14
5.3 管理员操作模块 18
5.4 安卓端用户操作模块 23
6 系统测试 32
6.1 测试目的 32
6.2 测试流程 32
6.3 测试用例 33
6.4 测试总结 35
结 论 36
致 谢 37
参 考 文 献 38
1 引言
1.1 课题研 *好棒文|www.hbsrm.com +Q: ^351916072*
究的背景
在计算机及网络技术的飞速发展下，传统的房产中介日渐满足不了这个社会的需求，在此种背景下，急求房源信息的用户需要一种网络平台来快速的找到适合自己的房源信息，从而产生了网上信息查询的技术。因为技术的发展迅速，网上的房源信息过多，用户无法在短时间内找到自己意向的房源，出现了信息过载的局面 [1]。在这种现象的背景下，如何在短时间内给用户提供最适合用户的信息成为技术的关键。从而产生了一系列关于房产的推荐算法。
1.2 课题研究的意义
为了解决在庞大的数据中找到合适于用户的数据并且将数据推荐给用户，首先提出了具有自动化推荐功能[2]此功能早期被广泛的应用，为不同的用户推荐不同的数据资源。进而能够大大的节省了用户的时间，能够在系统中快速的找到自己所需要的数据资源，从而达到房产交易的效果。此方法主要运用了过滤的原理，在用户的个人信息中，获取到关键的意向信息，从而系统会根据意向的信息进行一定量的筛选。但是，此方法又有明显的不足，用户在注册时，需要用户填写自己大量的信息。这样使用户在注册时产生极大的抵触之情，容易使用户放弃该系统的使用。
由于自动化推荐存在一定量的不足，协同过滤推荐[35]的技术逐渐的取代了自动化推荐的技术，成为当今主流的算法，这种算法能够根据用户在此系统中产生的一些行为进行分类，能够准确的记录用户的浏览行为，根据浏览记录来给用户推荐合适的资源。
协同过滤推荐的算法根据用户的浏览行为，能够准确的提供给用户所需的资源。但是这种算法也存在一定的局限性，比如适合用户的房产资源较多，系统无法能够对这些房产资源的优先级排列出来，这样会给一些具有选择困难症的用户带来较差的体验。此时需要在原有的推荐算法基础上能够对数据资源进行排序。提出了基于排序学习的推荐算法[6]，此算法把推荐算法中所产生的结果集进行特征分类，构造出一种复杂的用户偏好模型，根据这个模型能够产生有效的推荐列表，提高了推荐算法的准确性，这样就使得用户在选择房产资源中能够有一个优先选择的效果。
在这个数字信息发展迅速的时代，我们不免有数字信息审美疲劳。如何使用户对系统有优良的体验成为关键，从而使研究推荐算法的目的变得极其具有意义。科技可以改变我们的生活，思想创造力可以为生活带来方便。此系统算法的研究主要为了在较忙的生活中能够用最少的时间达到自己最想要的结果。
1.3 国内外现状
随着大数据的不断发展，数据资源的不断涌现，建立相关关系的分析是大数据探讨的核心。在此核心的基础之上大胆的探索在商务领域中，会使我们的生活带来巨大的改变。这样，人们不断的研究新的推荐系统，致使推荐算法日益成熟。推荐系统的产生和发展主要可概括为以下三个阶段，三个阶段都有它不同寻常的事迹。
第一阶段代表着推荐系统刚刚形成的时候，这个探索的阶段是在一段空白的记录中所研究出来的，此时不仅出现了协同过滤的系统，还有基于知识系统，这些系统的出现证明了推荐系统的可行性。从此，科研工作者对推荐算法的研究产生了极大的兴趣，他们在不同的领域积极的研究了推荐算法。在1992年，Xerox Palo Alto研究所开发了实验系统Tapestry[7]，该系统运用了用户的评分和注释的思想，帮助用户过滤掉不需要信息，从而解决了信息过载的问题。这篇文章最早使用“协同过滤”一词，文章发表后引起了广泛的关注，但使用者慢慢的意识到此系统的不足之处，那就是在提供推荐之前，用户需要编写较为复杂的查询语句。到了1994年产生了一种自动化推荐的系统GroupLens[8]。该系统也是为了文本文档的过滤而开发的，它不同于Tapestry，Tapestry主要专指一个点的过滤机制，GroupLens则是既能跨网计算又能自动完成[9]。主要体现在自动这一功能上，这样能够减少使用者不必要的麻烦。到了1997年Resnick团队提出了“推荐系统”一词，他们认为该词比“协同过滤”更适合描述当前的推荐技术。
第二阶段是推荐系统在商业中所应用的出现。MIT的Pattie Maes研究组在1995年创立了NetPerceptions[10]。其主要贡献是减少了用户在使用时所等待的时间。此时期出现的电子商务推荐系统是最为凸显的标志。
目 录
1 引言 1
1.1 课题研究的背景 1
1.2 课题研究的意义 1
1.3 国内外现状 2
1.4 课题的研究内容 3
2 相关开发技术介绍 3
2.1 Eclipse 3
2.2 Tomcat 3
2.3 MYSQL 4
2.4 自动化推荐功能 4
2.5 协同过滤推荐算法 4
3 系统分析 4
3.1 系统可行性分析 4
3.2 系统需求分析 5
4 系统概要设计 6
4.1 系统功能概述 6
4.2 系统架构设计 7
4.3 数据库设计 11
5 系统详细设计 13
5.1 系统管理模块设计 13
5.2 后台管理功能模块 14
5.3 管理员操作模块 18
5.4 安卓端用户操作模块 23
6 系统测试 32
6.1 测试目的 32
6.2 测试流程 32
6.3 测试用例 33
6.4 测试总结 35
结 论 36
致 谢 37
参 考 文 献 38
1 引言
1.1 课题研 *好棒文|www.hbsrm.com +Q: ^351916072*
究的背景
在计算机及网络技术的飞速发展下，传统的房产中介日渐满足不了这个社会的需求，在此种背景下，急求房源信息的用户需要一种网络平台来快速的找到适合自己的房源信息，从而产生了网上信息查询的技术。因为技术的发展迅速，网上的房源信息过多，用户无法在短时间内找到自己意向的房源，出现了信息过载的局面 [1]。在这种现象的背景下，如何在短时间内给用户提供最适合用户的信息成为技术的关键。从而产生了一系列关于房产的推荐算法。
1.2 课题研究的意义
为了解决在庞大的数据中找到合适于用户的数据并且将数据推荐给用户，首先提出了具有自动化推荐功能[2]此功能早期被广泛的应用，为不同的用户推荐不同的数据资源。进而能够大大的节省了用户的时间，能够在系统中快速的找到自己所需要的数据资源，从而达到房产交易的效果。此方法主要运用了过滤的原理，在用户的个人信息中，获取到关键的意向信息，从而系统会根据意向的信息进行一定量的筛选。但是，此方法又有明显的不足，用户在注册时，需要用户填写自己大量的信息。这样使用户在注册时产生极大的抵触之情，容易使用户放弃该系统的使用。
由于自动化推荐存在一定量的不足，协同过滤推荐[35]的技术逐渐的取代了自动化推荐的技术，成为当今主流的算法，这种算法能够根据用户在此系统中产生的一些行为进行分类，能够准确的记录用户的浏览行为，根据浏览记录来给用户推荐合适的资源。
协同过滤推荐的算法根据用户的浏览行为，能够准确的提供给用户所需的资源。但是这种算法也存在一定的局限性，比如适合用户的房产资源较多，系统无法能够对这些房产资源的优先级排列出来，这样会给一些具有选择困难症的用户带来较差的体验。此时需要在原有的推荐算法基础上能够对数据资源进行排序。提出了基于排序学习的推荐算法[6]，此算法把推荐算法中所产生的结果集进行特征分类，构造出一种复杂的用户偏好模型，根据这个模型能够产生有效的推荐列表，提高了推荐算法的准确性，这样就使得用户在选择房产资源中能够有一个优先选择的效果。
在这个数字信息发展迅速的时代，我们不免有数字信息审美疲劳。如何使用户对系统有优良的体验成为关键，从而使研究推荐算法的目的变得极其具有意义。科技可以改变我们的生活，思想创造力可以为生活带来方便。此系统算法的研究主要为了在较忙的生活中能够用最少的时间达到自己最想要的结果。
1.3 国内外现状
随着大数据的不断发展，数据资源的不断涌现，建立相关关系的分析是大数据探讨的核心。在此核心的基础之上大胆的探索在商务领域中，会使我们的生活带来巨大的改变。这样，人们不断的研究新的推荐系统，致使推荐算法日益成熟。推荐系统的产生和发展主要可概括为以下三个阶段，三个阶段都有它不同寻常的事迹。
第一阶段代表着推荐系统刚刚形成的时候，这个探索的阶段是在一段空白的记录中所研究出来的，此时不仅出现了协同过滤的系统，还有基于知识系统，这些系统的出现证明了推荐系统的可行性。从此，科研工作者对推荐算法的研究产生了极大的兴趣，他们在不同的领域积极的研究了推荐算法。在1992年，Xerox Palo Alto研究所开发了实验系统Tapestry[7]，该系统运用了用户的评分和注释的思想，帮助用户过滤掉不需要信息，从而解决了信息过载的问题。这篇文章最早使用“协同过滤”一词，文章发表后引起了广泛的关注，但使用者慢慢的意识到此系统的不足之处，那就是在提供推荐之前，用户需要编写较为复杂的查询语句。到了1994年产生了一种自动化推荐的系统GroupLens[8]。该系统也是为了文本文档的过滤而开发的，它不同于Tapestry，Tapestry主要专指一个点的过滤机制，GroupLens则是既能跨网计算又能自动完成[9]。主要体现在自动这一功能上，这样能够减少使用者不必要的麻烦。到了1997年Resnick团队提出了“推荐系统”一词，他们认为该词比“协同过滤”更适合描述当前的推荐技术。
第二阶段是推荐系统在商业中所应用的出现。MIT的Pattie Maes研究组在1995年创立了NetPerceptions[10]。其主要贡献是减少了用户在使用时所等待的时间。此时期出现的电子商务推荐系统是最为凸显的标志。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1173.html
