web的冷链物流智能配载推荐系统设计与实现
根据冷链物流智能配载推荐的实际开发需求，设计与实现基于WEB的冷链物流智能配载推荐系统。本系统使用Java EE体系，采用MVC模式以及MySQL数据库来分层实现数据存储，业务逻辑和前端显示。系统前台页面使用HTML、CSS和jQuery，实现了显示模式以及显示不同推荐的结果。系统后台借助开源框架Mahout，通过MyEclipse开发平台、MySQL数据库、Tomcat服务器等开源工具实现一个Java Web系统。本系统主要使用Mahout中的协同过滤，实现基于用户的协同过滤、基于物品的协同过滤以及Slope One推荐算法。本系统以冷链物流智能配载推荐管理为对象，旨在满足给用户推荐其想要的货源、车源或库源，降低物流运营成本，提高冷链物流服务效率。关键词 冷链物流，WEB，推荐系统，Mahout，协同过滤目 录
1 引言 1
1．1 研究背景 1
1．2 研究现状 1
2 可行性研究 2
2．1 技术可行性 2
2．2 经济可行性 3
2．3 操作可行性 3
3 关键技术介绍 3
3．1 JAVA EE核心技术 3
3．2 Mahout技术 4
3．3 基于用户的协同过滤 6
3．4 基于物品的协同过滤 6
3．5 Slope One推荐算法 7
4 需求分析 8
4．1 功能需求 8
4．2 系统整体用例图 9
4．3 性能需求 10
5 总体设计 11
5．1 平台架构 11
5．2 系统总体结构设计 12
5．3 数据库设计 13
5．4 界面设计 18
5．5 报错设计 20
6 详细设计 22
6．1 登录注册模块 23
6．2 推荐功能模块 26
6．3 订单评分模块 29
6．4 货车管理模块 34
6．5 管理员管理模块 37
7 软件测试 39
7 *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
计 13
5．4 界面设计 18
5．5 报错设计 20
6 详细设计 22
6．1 登录注册模块 23
6．2 推荐功能模块 26
6．3 订单评分模块 29
6．4 货车管理模块 34
6．5 管理员管理模块 37
7 软件测试 39
7．1 黑盒测试 39
7．2 模块测试 43
7．3 综合测试 44
结论 45
致谢 46
参考文献 47
1 引言
1．1 研究背景
随着信息技术的快速发展，互联网上信息迅速的膨胀，人们已经从一个信息匮乏的时代来到一个信息过载[1]的时代。人们想从这海量的信息里面寻找到他们需要的信息已经变得越来越困难了。因此，在这样一个大数据时代下，人们作为信息消费者和信息生产者都遇到了非常大的挑战。一方面，作为信息消费者，他们想从海量的数据中挖掘对自己有价值，并且感兴趣的信息变得越来越困难。另一方面，作为信息生产者，他们需要精心编写出独特的信息，从而使自己的信息在众多信息里脱颖而出，让广大消费者喜欢。因此为了解决信息过载的问题，推荐系统应运而生[2]。所谓的推荐系统是指按照用户的历史浏览，评分来分析他们的喜好，自动找到用户可能感兴趣的信息，然后将这些信息推荐给有需要的用户，从而达到信息消费者和信息生产者之间的共赢。
近几年来，由于冷链物流产业的不断扩大，冷链物流管理系统也越来越多。目前，国内已经有不少冷链物流系统的存在，如中国冷链物流网，冷链马甲。但是用户从这些网站上获取的物流信息都是未经加工处理较为粗糙的原始信息，需要从海量信息中辨别出对自身有用的信息，这工作量比较大，而且效率不高，从而使得用户数量不断的减少。因此想要在冷链物流行业中脱颖而出，必须要为用户提供更好的服务。本系统主要是在原先的冷链物流系统基础上增加推荐功能。因此，我们根据冷链物流智能配载推荐的实际开发需求，建立基于WEB的冷链物流智能配载推荐系统，从而降低物流运营成本，提高冷链物流服务效率。
1．2 研究现状
90年代初推荐系统开始被广泛研究，从诞生以来具有宝贵的应用价值。推荐系统本质是让用户和物品之间产生某种联系，不同的推荐系统使用的方式也不同。从信息过滤的角度划分，推荐系统通常被分为基于内容的推荐和基于协同过滤的推荐[3]。
基于内容的推荐不需要用户对项目进行评分，主要根据项目的内容进行推荐[4]。这种推荐需要根据用户历史浏览、收藏的信息来编写该用户偏好的文档集合，然后计算推荐项目和用户偏好文档相似性，将相似的项目推荐给用户。基于内容的推荐是相对简单和有效的，不仅可以处理冷启动问题[5]，还可以给用户推荐新出现的产品和不流行的产品。但是该系统也具有一定的局限性，它会受到信息获取技术的约束，无法清晰分析音乐、图像、视频等信息的质量和提供推荐。
基于协同过滤的推荐需要用户对项目进行评分，首先找到与当前用户偏好相似的用户即“邻居用户”，然后计算他们对项目行为方面的相似性。协同过滤又分为基于用户的协同过滤、基于物品的协同过滤和Slope One推荐[6]。基于协同过滤的推荐系统能够推荐新信息，发现潜在用户的兴趣爱好，缺点是对一些有特殊喜好的用户不能给予准确的推荐，对新用户存在冷启动问题。
现在推荐系统已经被普遍运用于各个领域。从应用领域划分，现有的推荐系统主要分为电子商务、网页推荐、新闻推荐、邮件推荐、电影推荐和音乐推荐六大类。
a)目前应用最典型的就是电子商务推荐系统。例如世界上最大的在线零售网站书店Amazon.com、淘宝网等使用协同过滤系统给用户推荐信息。此外，在许多国内外视频网站中，推荐系统也起着重要的作用，例如Yahoo、Netflix、YouTube等。Netflix公司非常重视推荐技术并举办了著名的Prize推荐比赛项目，并开出了100万美元作为回报。
b)其次，学术界也开始对推荐系统产生浓厚的兴趣，近几年召开了许多与推荐系统有关的会议。比如ACM Recommenber Systems，ACM SIGIR，ACM SIGMOD等。另外还有一些相关的期刊比如AI Communications，IEEE Intelligent Systems，International Journal of Electronic Commerce等。
c)现在许多高校、大公司的研究部门也掀起一股研究推荐系统的热潮，许多关于推荐系统的论文、书籍都相继涌现。
2 可行性研究
2．1 技术可行性
技术可行性是指能否通过现有的计算机硬件、软件系统的配置、数据库系统和网络环境等实现新系统的目标需求。本系统是借助开源框架Mahout[7]，
1 引言 1
1．1 研究背景 1
1．2 研究现状 1
2 可行性研究 2
2．1 技术可行性 2
2．2 经济可行性 3
2．3 操作可行性 3
3 关键技术介绍 3
3．1 JAVA EE核心技术 3
3．2 Mahout技术 4
3．3 基于用户的协同过滤 6
3．4 基于物品的协同过滤 6
3．5 Slope One推荐算法 7
4 需求分析 8
4．1 功能需求 8
4．2 系统整体用例图 9
4．3 性能需求 10
5 总体设计 11
5．1 平台架构 11
5．2 系统总体结构设计 12
5．3 数据库设计 13
5．4 界面设计 18
5．5 报错设计 20
6 详细设计 22
6．1 登录注册模块 23
6．2 推荐功能模块 26
6．3 订单评分模块 29
6．4 货车管理模块 34
6．5 管理员管理模块 37
7 软件测试 39
7 *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
计 13
5．4 界面设计 18
5．5 报错设计 20
6 详细设计 22
6．1 登录注册模块 23
6．2 推荐功能模块 26
6．3 订单评分模块 29
6．4 货车管理模块 34
6．5 管理员管理模块 37
7 软件测试 39
7．1 黑盒测试 39
7．2 模块测试 43
7．3 综合测试 44
结论 45
致谢 46
参考文献 47
1 引言
1．1 研究背景
随着信息技术的快速发展，互联网上信息迅速的膨胀，人们已经从一个信息匮乏的时代来到一个信息过载[1]的时代。人们想从这海量的信息里面寻找到他们需要的信息已经变得越来越困难了。因此，在这样一个大数据时代下，人们作为信息消费者和信息生产者都遇到了非常大的挑战。一方面，作为信息消费者，他们想从海量的数据中挖掘对自己有价值，并且感兴趣的信息变得越来越困难。另一方面，作为信息生产者，他们需要精心编写出独特的信息，从而使自己的信息在众多信息里脱颖而出，让广大消费者喜欢。因此为了解决信息过载的问题，推荐系统应运而生[2]。所谓的推荐系统是指按照用户的历史浏览，评分来分析他们的喜好，自动找到用户可能感兴趣的信息，然后将这些信息推荐给有需要的用户，从而达到信息消费者和信息生产者之间的共赢。
近几年来，由于冷链物流产业的不断扩大，冷链物流管理系统也越来越多。目前，国内已经有不少冷链物流系统的存在，如中国冷链物流网，冷链马甲。但是用户从这些网站上获取的物流信息都是未经加工处理较为粗糙的原始信息，需要从海量信息中辨别出对自身有用的信息，这工作量比较大，而且效率不高，从而使得用户数量不断的减少。因此想要在冷链物流行业中脱颖而出，必须要为用户提供更好的服务。本系统主要是在原先的冷链物流系统基础上增加推荐功能。因此，我们根据冷链物流智能配载推荐的实际开发需求，建立基于WEB的冷链物流智能配载推荐系统，从而降低物流运营成本，提高冷链物流服务效率。
1．2 研究现状
90年代初推荐系统开始被广泛研究，从诞生以来具有宝贵的应用价值。推荐系统本质是让用户和物品之间产生某种联系，不同的推荐系统使用的方式也不同。从信息过滤的角度划分，推荐系统通常被分为基于内容的推荐和基于协同过滤的推荐[3]。
基于内容的推荐不需要用户对项目进行评分，主要根据项目的内容进行推荐[4]。这种推荐需要根据用户历史浏览、收藏的信息来编写该用户偏好的文档集合，然后计算推荐项目和用户偏好文档相似性，将相似的项目推荐给用户。基于内容的推荐是相对简单和有效的，不仅可以处理冷启动问题[5]，还可以给用户推荐新出现的产品和不流行的产品。但是该系统也具有一定的局限性，它会受到信息获取技术的约束，无法清晰分析音乐、图像、视频等信息的质量和提供推荐。
基于协同过滤的推荐需要用户对项目进行评分，首先找到与当前用户偏好相似的用户即“邻居用户”，然后计算他们对项目行为方面的相似性。协同过滤又分为基于用户的协同过滤、基于物品的协同过滤和Slope One推荐[6]。基于协同过滤的推荐系统能够推荐新信息，发现潜在用户的兴趣爱好，缺点是对一些有特殊喜好的用户不能给予准确的推荐，对新用户存在冷启动问题。
现在推荐系统已经被普遍运用于各个领域。从应用领域划分，现有的推荐系统主要分为电子商务、网页推荐、新闻推荐、邮件推荐、电影推荐和音乐推荐六大类。
a)目前应用最典型的就是电子商务推荐系统。例如世界上最大的在线零售网站书店Amazon.com、淘宝网等使用协同过滤系统给用户推荐信息。此外，在许多国内外视频网站中，推荐系统也起着重要的作用，例如Yahoo、Netflix、YouTube等。Netflix公司非常重视推荐技术并举办了著名的Prize推荐比赛项目，并开出了100万美元作为回报。
b)其次，学术界也开始对推荐系统产生浓厚的兴趣，近几年召开了许多与推荐系统有关的会议。比如ACM Recommenber Systems，ACM SIGIR，ACM SIGMOD等。另外还有一些相关的期刊比如AI Communications，IEEE Intelligent Systems，International Journal of Electronic Commerce等。
c)现在许多高校、大公司的研究部门也掀起一股研究推荐系统的热潮，许多关于推荐系统的论文、书籍都相继涌现。
2 可行性研究
2．1 技术可行性
技术可行性是指能否通过现有的计算机硬件、软件系统的配置、数据库系统和网络环境等实现新系统的目标需求。本系统是借助开源框架Mahout[7]，
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2726.html
