基于大数据和ALS算法实现的房源智能推荐系统

第三章 推荐算法介绍与平台推荐引擎实现

3.3 系统中的推荐算法
本系统中的推荐算法说基于内容的推荐算法基于内容的推荐，以用户过去喜欢的东西为基础我推荐和这些项目相似的其他东西。这个方法文档类推荐领域（新闻、文档、主页、书籍等）广泛应用本论文通过对用户历史订货的评价关于文本数据的提取，表示对将来的订单的预测。
共同滤波器推荐是构建推荐系统的最一般的技术。这可以直接通过用户过去的行为（例如用户订购时）。为了预测用户的喜好而进行单一的评价。兴趣和以前的兴趣一致。为了作为参考，需要其他所有领域的知识。现有基于模型的协同滤波的目的是从应该看的评价数据中发现了潜在的影响因子。利用数据挖掘和机器学习技术从训练数据中找到模型。使用这些模式计算用户对。商品评分基于内存的联合过滤还可以通过用户和基础的
是基于用户的协作过滤。推荐系统中最早的算法]。主要思想是发现。进行亲密使用，例如类似于目标用户的亲密用户
大体过程如下。
（1）查找附近的用户N：计算目标用户与其他用户的相似度，选择超过设定阈值的用户。在用户旁边显示用户。
（2）得分预测：用户User预测项目Item。目标用户User的值是一组相邻User用户，而值是靠近它
在此，N具有项Item的等级，该等级高于相似性阈值。
（3）推荐阶段：对预测对象用户所有未评价商品打分后，采用Top-K的方法，评价值最高的K项目向目标用户推荐。
然后是物品的共同过滤是在推荐系统中非常常见流行的思路。计算一个用户和另一个用户的相似性选择与要推荐的目标用户（用户 A）高度相似的 k 名称用户，提取用户 A 尚未使用的其他用户使用的项目的集合，返回这些项目列表的推荐项目，在此选择期间，使相似性较高的用户使用的项目具有更高的权重，基于项/用户库考虑用户之间的相似性，而项目库考虑项目之间的相似性。其他想法与基于用户相同。利用目的物和目标用户评价过高的情况。利用类似度，利用其评分对目标用户的目标物品评分的具体步骤如下：
（1）计算目标物与其他物品的类似性。
（2）评价预测。用户u对物品s的预测式
（3）推荐阶段：对预测对象用户所有未评价房源评分后，采用Top-K邻K算法。

3.4 系统中的推荐引擎架构介绍
具体的系统架构图 如图3-1所示：

图3-1 推荐系统架构图
3.4.1 架构模块介绍
在日志数据模块(flink-2-hbase)中,又主要分为6个Flink任务:用户-产品浏览历史 -> 实现基于协同过滤的推荐逻辑，通过Flink去记录用户浏览过这个类目下的哪些产品,为后面的基于Item的协同过滤做准备 实时的记录用户的评分到Hbase中,为后续离线处理做准备[9]。
数据存储在Hbase的user_action表中，用户-兴趣->实现基于上下文的推荐逻辑。从用户对同一产品的操作中计算兴趣度，计算规则通过在操作间隔时间(购物-浏览<100s)中被判定为一次关心事件的Flink的ValueState来实现，如果用户的操作Action=3(收藏)，则去除该产品的state，超过100s时，如果不发生Action=3的事件，则也清除其state，数据存储在Hbase的u_interest表中。
事实热排名–>实现基于热的推荐逻辑。
通过Flink时间窗口的机制，统计当前时间的实时热，并使数据缓慢地存在于Redis中。通过Flink的窗口机制计算实时热，并使用ListState保存一次热排序。
数据存储在redis中，按照时间戳存储list。
日志直接将从Kafka收到的数据导入Hbase事实表，保存完整的日志log，日志包含用户Id、用户操作的产品id、操作时间、行为(例如购买、点击、推荐等)。数据按时间窗统计数据画面所需的数据，返回前段展示数据并存储在Hbase的con表中。
3.4.2 基于房源用户画像的用户相似度计算方法
基于产品画像的推荐逻辑依赖于产品画像和热度榜两个维度,产品画像有三个特征,包含 价格/房源商区/工作区域 三个角度,通过计算用户对该类目产品的评分来过滤
在已经有产品画像的基础上,计算item与item之间的关联系,通过余弦相似度来计算两两之间的评分,最后在已有物品选中的情况下推荐关联性更高的产品，具体如图3-2所示：

图3-2 收集用户行为设计

第四章 租房推荐平台实现

4.1 系统功能模块的设计与实现
4.1.1 前台首页设计与实现
前台项目通过现代前端框架Vue-cli脚手架工具结合主流UI框架，自适应全屏轮播推广本平台人性化Slogen，引入Annimation.css动画框架使得无论是交互还是展示动画都非常流畅优美，好的产品体验和好的设计能让增强用户体验培养用户粘性。
(1)鼠标移入右上角用户登录注册区域，粉色背景色结合动画，点击启动前台页面用户登陆注册模块，具体如图4-1所示:

图4-1 前台页面
(2)在这登录模块中，界面是采用了常用的对话框的形式。背景用绚丽多彩的强调色，突出登陆框主题加深用户印象，让对话框的形式可以给用户一个很好互动。当用户输入用户名和密码之后，点击登录按钮，将输入的用户名和密码参数放入一个list对象中,如图4-2所示:

图4-2 用户登陆页面
4.2 后台的设计与实现
4.2.1 后台登录页面
通过登陆后台，服务器端包含了房源管理、城市分类管理、用户信息管理、社区管理、系统管理。通过读取输入的账号密码与数据库的数据进行对比，错误则进行提示，如果输入的用户名与密码是管理员或者后台配置的用户组则进入智能房源推荐系统管理后台，后台登录页面如图4-10所示：

图4-10后台登录页面
4.2.2 用户管理模块
用户管理页面为后台超级管理员才可访问的功能，管理员可以对用户列表页的用户信息进行添加、编辑、删除，当在后台进行数据操作的时候则客户端对应模块数据也进行操作。界面如图4-11所示：

图4-11用户列表页面

第五章 结论

基于用户协同过滤算法的智能房源推荐系统能够为所有人提供一个信息化以智能化的租房 APP，这是智慧生活的一个重要体现。本文研究了基于用户肖像数据，用户行为信息如用户收藏，和用户长时间停留的浏览记录等等数据， 为用户提供住房数据的高度相似性。通过协同过滤和其他算法的使用的挖掘相关数据。项目利用爬虫框架从市面上公开房源平台抓取房源信息，通过数据分析选出优质房源放入数据库中，通过Java SpringBoot框架结合前端MVVM框架Vue进行开发，实现本项目同时也存在不足。例如对于房源数据的多维度数据的处理，这对数据分析的可定制性有折扣。后续会通过更多数据反复耦合区训练模型，用户量用户行为信息足够多的情况下，最大化地发挥了各算法的优势，使两种协同过滤算法优势互补、相互融合，后续推荐系统能为用户提供更加精准的服务提供支持。
总体而言，本系统的设计研究为智能房源推荐平台，给用户提供更加个性化和人性化的房源数据推荐，获取了关键数据，另一方面，能给用户推荐相似用户精选优质房源，节省选房时间。

文章底部可以获取博主的联系方式，获取源码、查看详细的视频演示，或者了解其他版本的信息。
所有项目都经过了严格的测试和完善。对于本系统，我们提供全方位的支持，包括修改时间和标题，以及完整的安装、部署、运行和调试服务，确保系统能在你的电脑上顺利运行。