城市小區推薦系統的設計與實現,軟件工程碩士論文摘要隨著社會的發展，海量數據在給人們帶來生活便利的同時也帶來了困擾。以用戶購房為例，海量房源數據使用戶容易陷入信息過載的泥潭，難以獲取到有效數據；并且區位資源已經成為用戶購房考慮的重要因素，但是用戶難以將自個對于區位資源的需求同房源數據關聯起來。本文針對以上用戶購房時碰到的問題進行設計實現。系統由六個模塊組成，分別是數據臺賬、查詢統計、區位資源、房源推薦、房源比照和個人信息。數據臺賬模塊展示整體房價和區位資源的情況；查詢統計模塊面向用戶提供房源查詢；區位資源模塊從不同角度為用戶提供區位資源相關服務；房源推薦模塊根據用戶信息進行房源推薦；房源比照模塊用于對不同房源進行比照分析；個人信息模塊用于個人信息管理。在房源推薦模塊，本文在推薦算法研究的基礎上針對實際情況，提出一個基于內容推薦和基于用戶協同過濾的混合推薦模型，將基于內容的推薦算法和基于用戶的協同過濾算法采用級聯式的方式組合，并結合K-Means算法進行房源數據粗分類、通過矩陣計算得出用戶興趣偏好、使用灰色關聯分析求出房源間的相關聯度。最后使用NDCG和Coverage兩種評估指標將模型與傳統推薦算法的實驗結果進行比照分析，驗證本文提出的混合推薦模型在NDCG評估指標可到達47.8%，Coverage到達43.3%，相比傳統推薦算法在推薦效果上具有很大的提升。最后系統通過測試，能夠幫助用戶快速獲取想要查找的信息、推薦房源等，有效解決用戶購房時的煩惱，具有實際使用價值。本文關鍵詞語：混合推薦模型；房源推薦；區位資源；用戶興趣偏好。AbstractWiththedevelopmentofsociety,massivedatabringsconveniencetopeopleslife,butalsobringstrouble.Forexample,themassivehousingdatamakesuserseasilyfallintothemireofinformationoverloadanddifficulttoobtaineffectivedata;Andlocationresourceshavebecomeanimportantfactorforuserstoconsiderwhenbuyinghouses,butitisdifficultforuserstoassociatetheirdemandforlocationresourceswiththedataofhousingsources.Thispaperisfacedwiththeaboveproblemsencounteredbyuserstodesignandimplement.Thesystemconsistsofsixmodules,whicharedataaccount,querystatistics,locationresources,housingrecommendation,housingcomparisonandpersonalinformation.Thedataaccountmoduleshowstheoverallhousingpriceandlocationresources;Thequeryandstatisticsmoduleprovidesthefunctionofhousesourcequeryforusers;Locationresourcemoduleprovidesuserswithlocationresourcerelatedservicesfromdifferentperspectives;Thehousingrecommendationmodulerecommendsthehousingaccordingtotheuserinformation;Thehousingcomparisonmoduleisusedforcomparativeanalysisofdifferenthousingsources;Thepersonalinformationmoduleisusedforpersonalinformationmanagement.Inthelistingrecommendationmodule,basedontheresearchofrecommendationalgorithm,thispaperproposesahybridrecommendationmodelofcontent-basedrecommendationanduserbasedcollaborativefiltering,whichcombinesthecontent-basedrecommendationalgorithmanduserbasedcollaborativefilteringalgorithminacascadeway,andcombinesk-meansalgorithmtoroughlyclassifythelistingdataandconstructthematrixcalculatetheusersinterestpreference,usethegraycorrelationanalysistogetthecorrelationdegreebetweenthehouses.Finally,NDCGandCoverageareusedtocomparetheexperimentalresultsofthemodelandthetraditionalrecommendationalgorithm.Itisverifiedthatthehybridrecommendationmodelproposedinthispapercanachieve47.8%inNDCGevaluationindexand43.3%inCoverage,whichhasagreatimprovementcomparedwiththetraditionalrecommendationalgorithm.Finally,throughthetest,thesystemcanhelpusersquicklygettheinformationtheywanttofind,recommendhousesourceandsoon,andeffectivelysolvetheproblemsofuserswhenbuyinghouses,whichhaspracticalvalue.KeyWords：HybridRecommendationModel;HousingRecommendation;LocationResource;UserInterestPreference。1、緒論1.1、研究背景及意義。在過去的二十年里，中國互聯網迎來了高速發展的黃金時期，而“互聯網+〞、“人工智能〞、“5G〞等口號也從科研人員口中走向了尋常百姓家。互聯網的大力發展，再給人們帶去便利的同時，也帶來了很多的困擾。新“摩爾定律〞指出互聯網上的信息量仍以每六個月翻一倍的速度增長[1]。在如今大數據時代中，很多的互聯網用戶在海量數據中感到迷茫，深陷于信息過載的泥潭中。而過去的二十年，也是我們國家的房地產發展的黃金階段，全國各地隨處可見正在修建或者準備開發的新樓盤，但是房地產信息產業卻沒能緊跟發展腳步，也陷入了信息爆炸的泥潭，而很多互聯網企業卻捉住時代發展的時機，根據用戶數據分析出用戶偏好，進而進行個性化推薦，實現精準營銷。例如阿里巴巴根據用戶的淘寶賬號的個人信息和交易數據對用戶進行構建用戶畫像，來實現商品的精準推薦；如亞馬遜、京東的推薦系統也是基于用戶線上消費數據進而構建用戶畫像來實現精準營銷[2]，進而促進整個產業鏈的發展。房地產信息產業無法向很多互聯網企業一樣，根據用戶信息數據，幫助用戶迅速找到有效房源數據，既束縛了本身的發展，又給用戶購房增加了煩惱。另一方面如今隨著社會的不斷進步，時代觀念的也在悄然發生變化。過去用戶購房更多的考慮是自個能夠擁有一個生活住所，而不會考慮其他的社會因素；如今用戶出于各種原因此需要購買房屋，因而在進行購房時通常需要綜合考慮眾多因素，尤其以房價、房屋面積等房源因素和娛樂資源、學區資源、醫療資源等社會因素。除此之外高昂的房屋價格，導致很多人購房愈加慎重，上述原因從另一角度給購房用戶在看房購房時增加了困擾。推薦系統起源于上個世紀90年代，是一個通過挖掘海量數據，尋找數據之間關聯的智能系統，經太多年的研究和發展，推薦技術已經相對成熟并且得到廣泛應用。推薦系統通過收集和分析挖掘用戶過去的行為數據和其他信息，根據分析結果對用戶和物品去建模，再結合推薦算法實現符合用戶需求的產品推薦。推薦系統已經在電子商務、社交網絡、新聞、廣告等多個領域證明它的強大能力，而很多互聯網公司也紛紛將推薦系統應用到自個的產品中，并且產品大獲成功。本文從用戶購房的實際情況出發，設計實現了城市小區推薦系統。通過利用推薦系統強大的挖掘能力在海量數據中快速、準確、高效的找出用戶需求的小區，除此之外結合用戶購房時對于社會因素，尤其是房源的區位資源因素的考慮，根據用戶的基本信息，為購房用戶進行房源推薦，幫助用戶解決看房購房時的困擾。【由于本篇文章為碩士論文，如需全文請點擊底部下載全文鏈接】1.2、國內外研究現在狀況.1.3、論文的主要研究內容.1.4、論文主要工作及組織構造.2、相關技術研究2.1、網絡爬蟲技術.2.1.1、網絡爬蟲原理.2.1.2、網絡爬蟲策略.2.2、推薦系統框架2.2.1、協同過濾算法.2.2.2、基于內容的推薦算法2.2.3、混合推薦算法.2.3、聚類算法.2.4、本章小結.3、系統分析.3.1、系統客戶分析.3.2、系統可行性分析.3.2.1、經濟可行性.3.2.2、技術可行性.3.2.3、操作可行性.3.3、系統功能需求分析.3.4、系統非功能需求3.4.1、性能需求3.4.2、界面需求.3.4.3、算法需求.3.5、本章小結4、系統設計4.1、系統概要設計4.1.1、系統總體架構設計4.1.2、系統功能架構.4.2、系統具體設計4.2.1、資源區位數據獲取4.2.2、數據臺賬模塊.4.2.3、查詢統計模塊.4.2.4、區位資源模塊.4.2.5、房源推薦模塊4.2.6、房源比照模塊.4.2.7、個人信息模塊4.3、數據庫設計.4.3.1、概述.4.3.2、關鍵表設計.4.4、本章小結.5、混合推薦模型.5.1、基于內容推薦和基于用戶協同過濾的混合推薦模型5.1.1、算法整體流程設計5.1.2、基于用戶的協同過濾算法5.1.3、KMeans聚類算法5.1.4、用戶興趣偏好計算5.1.5、灰色關聯分析5.1.6、基于內容的推薦算法.5.2、實驗數據.5.2.1、數據來源.5.2.2、特征提取5.3、實驗結果5.3.1、評估指標.5.3.2、實驗結果分析5.4、本章小結6、系統實現與測試6.1、爬蟲網絡實現6.2、系統實現6.2.1、數據臺賬模塊實現6.2.2、查詢統計模塊實現6.2.3、區位資源模塊實現6.2.4、房源推薦模塊實現6.2.5、房源比照模塊實現6.2.6、個人信息模塊實現6.3、系統測試.6.4、本章小結.結論本文在用戶在購房場景下面對海量房產數據，難以找到有效數據以及購房用戶無法將房源信息與區位資源結合考慮的背景下，結合自個研究學習的內容，設計開發了城市小區推薦系統，幫助用戶解決找房難、找房不滿意的問題。華而不實在面對傳統推薦算法在房源推薦上效果不佳的背景下提出了一種基于內容推薦和基于用戶協同過濾的混合推薦模型，并通過實驗證明該模型相比傳統推薦算法在房源推薦上具有更好的推薦效果。用戶利用此系統既能夠整體了解該地區房價整體變化和整體區位資源分布，可以以具體了解某一處房源信息和周邊區位資源情況，系統根據用戶個人信息為用戶進行房源推薦。本文主要完成的內容如下：〔1〕通過網絡爬蟲的方式，爬取實驗所需要的部分數據。包括小區房源數據和區位資源數據，并將爬取的數據和國土資源局提供的房產交易數據進行整合分析處理。〔2〕在傳統推薦算法的研究基礎上，提出一種基于內容推薦和基于用戶協同過濾的混合推薦模型，并通對該模型與傳統的推薦算法進行實驗比照分析，驗證該模型在房源數據上具有更好的推薦效果。〔3〕開發了城市小區推薦系統，實現系統的主要功能。包括區位資源信息分析和查詢、房源信息查詢、房源推薦、房源比照等功能。在系統設計上結合MapVGL的地圖組件，將相關數據通過地圖形式進行展示，讓用戶對于房源和區位資源有更直觀的了解和認識。本文基于本身所學內容完成對以上內容的分析、設計和實現，但是由于個人本身能力有限，對推薦系統和推薦算法的學習有限、在系統設計上也有存在欠考慮的地方，因而系統還需要進一步改良和完善，因而下一步的工作計劃如下：〔1〕繼續研究推薦算法，考慮對算法進一步改良，通過調整參數、融合其他推薦模型等方式方法來進一步提高推薦結果的準確率。〔2〕系統設計所使用的數據是用戶顯式反應數據，后面將嘗試通過將用戶顯式反應數據和用戶隱式反應數據結合，進一步提取其他用戶特征以及用戶購房時其他購房考慮要素，并進行實驗。〔3〕系統設計方面也有考慮缺乏的地方，下一步也將對系統進行進一步的測試和完善。以下為參考文獻[1]吳瑤瑤，楊庚.云環境下分布式文件系統負載平衡研究[J].計算機工程與應用,2022,55(10):67-72.[2]陳樹棟.基于用戶消費行為的用戶畫像技術研究[D].廣州:華南理工大學,2021.[3]李善濤.基于跨域的信息推薦技術研究及應用[D].北京:北京郵電大學,2020.[4]GregLinden,SmithBrent,YorkJeremy.Arecommendations:Item-to-itemcollaborativefiltering[J].IEEEInternetComputing,2003,7(1):76-80.[5]MeshalAlfarhood,ChengJianlin.Deeplearning-basedrecommendersystems.2021:1-23.[6]AlexandrosKaratzoglou,HidasiBalazs.Deeplearningforrecommendersystems.Como,Italy:2021:396-397.[7]張紫嫣，周馳.結合類別偏好的協同過濾推薦算法[J].計算機應用與軟件,2021,38(01):293-296.[8]高仰，劉淵.融合知識圖譜和短期偏好的推薦算法[J].計算機科學與探尋求索,1-14.[9]康來松，劉世峰，宮大慶.LBSN中基于加權異構信息網絡的興趣點推薦[J].系統工程,2020,38(06):14-24.[10]QianZhang,LuJie,JinYaochu.Artificialintelligenceinrecommendersystems[J].ComplexIntelligentSystems,2021,7(1):439-457.[11]栗恒.基于社交環境和時空數據的個性化位置推薦研究[D].重慶:重慶大學,2021.[12]張雨萌.基于內容推薦的視頻服務平臺的設計與實現[D].北京:北京交通大學,2020.[13]周德懋，李舟軍.高性能網絡爬蟲:研究綜述[J].計算機科學,2018,36(08):26-29.[14]唐芳草.基于神經網絡的技術合同風險分析技術研究[D].哈爾濱:哈爾濱工程大學,2021.[15]ChunxiaYin,LiuJian,ZhangHuiying.Topic-specificcrawlingalgorithmbasedonEIPageRank[J].JournalofInformationandComputationalScience,2018,7(2):341-347.[16]付志鴻.基于Storm云平臺的分布式網絡爬蟲技術研究與實現[D].成都:電子科技大學,2021.[17]張榮耀.基于實值條件受限玻爾茲曼機的推薦算法研究[D].天津:天津大學,2021.[18]姚覲軻.推薦系統中協同過濾算法及隱私保衛機制研究[D].沈陽:東北大學,2020.[19]劉君良，李曉光.個性化推薦系統技術進展[J].計算機科學,2020,47(07):47-55.[20]Qusay-HMahmoud,Al-MasriEyhab,WangZhixin.Designandimplementationofa[1]吳瑤瑤，楊庚.云環境下分布式文件系統負載平衡研究[J].計算機工程與應用,2022,55(10):67-72.[2]陳樹棟.基于用戶消費行為的用戶畫像技術研究[D].廣州:華南理工大學,2021.[3]李善濤.基于跨域的信息推薦技術研究及應用[D].北京:北京郵電大學,2020.[4]GregLinden,SmithBrent,YorkJeremy.Arecommendations:Item-to-itemcollaborativefiltering[J].IEEEInternetComputing,2003,7(1):76-80.[5]MeshalAlfarhood,ChengJianlin.Deeplearning-basedrecommendersystems.2021:1-23.[6]AlexandrosKaratzoglou,HidasiBalazs.Deeplearningforrecommendersystems.Como,Italy:2021:396-397.[7]張紫嫣，周馳.結合類別偏好的協同過濾推薦算法[J].計算機應用與軟件,2021,38(01):293-296.[8]高仰，劉淵.融合知識圖譜和短期偏好的推薦算法[J].計算機科學與探尋求索,1-14.[9]康來松，劉世峰，宮大慶.LBSN中基于加權異構信息網絡的興趣點推薦[J].系統工程,2020,38(06):14-24.[10]QianZhang,LuJie,JinYaochu.Artificialintelligenceinrecommendersystems[J].ComplexIntelligentSystems,2021,7(1):439-457.[11]栗恒.基于社交環境和時空數據的個性化位置推薦研究[D].重慶:重慶大學,2021.[12]張雨萌.基于內容推薦的視頻服務平臺的設計與實現[D].北京:北京交通大學,2020.[13]周德懋，李舟軍.高性能網絡爬蟲:研究綜述[J].計算機科學,2018,36(08):26-29.[14]唐芳草.基于神經網絡的技術合同風險分析技術研究[D].哈爾濱:哈爾濱工程大學,2021.[15]ChunxiaYin,LiuJian,ZhangHuiying.Topic-specificcrawlingalgorithmbasedonEIPageRank[J].JournalofInformationandComputationalScience,2018,7(2):341-347.[16]付志鴻.基于Storm云平臺的分布式網絡爬蟲技術研究與實現[D].成都:電子科技大學,2021.[17]張榮耀.基于實值條件受限玻爾茲曼機的推薦算法研究[D].天津:天津大學,2021.[18]姚覲軻.推薦系統中協同過濾算法及隱私保衛機制研究[D].沈陽:東北大學,2020.[19]劉君良，李曉光.個性化推薦系統技術進展[J].計算機科學,2020,47(07):47-55.[20]Qusay-HMahmoud,Al-MasriEyhab,WangZhixin.Designandimplementationofasmartsystemforpersonalizationandaccurateselectionofmobileservices[J].RequirementsEngineering,2007,12(4):221-230.[21]吳清春.多源信息融合的推薦模型研究[D].北京:北京交通大學,2020.[22]ZengmaoWang,GuoYuhong,DuBo.Matrixcompletionwithpreferencerankingfortop-nrecommendation.Stockholm,Sweden:2021:3585-3591.[23]DheerajBokde,GiraseSheetal,MukhopadhyayDebajyoti.MatrixFactorizationmodelinCollaborativeFilteringalgorithms:Asurvey.Fr.AgnelAshram,Bandstand,BandraWest,Mumbai,Maharashtra,400050,India:2021:136-146.[24]SilviaPuglisi,Parra-ArnauJavier,ForneJordi,etal.Oncontent-basedrecommendationanduserprivacyinsocial-taggingsystems[J].ComputerStandardsandInterfaces,2021,4117-27.[25]翁海瑞，林穗，何立健.基于內容推薦與時間函數結合的新聞推薦算法[J].計算機與數字工程,2020,48(12):2973-2977.[26]聶帥華.基于內容推薦/協同過濾推薦算法的智能交友網站的設計amp;實現[D].武漢:華中師范大學,2021.[27]MiquelMontaner,LópezBeatriz,delaRosaJosep-Lluís.ATaxo