没有合适的资源?快使用搜索试试~ 我知道了~
基于大数据和ALS算法实现的房源智能推荐系统.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 200 浏览量
2022-06-24
04:13:16
上传
评论
收藏 2.31MB PDF 举报
温馨提示
试读
22页
。。。
资源推荐
资源详情
资源评论
内容摘要
目前,现有的房源信息不够透明化大多中介混淆市场,内含不为
人知的商业链。有经验的租客们会通过周边房价走势和走访周边房源
对比调研、筛选适合自己的房源。
同时,对于用户工作地点需求和各种人群类型如大学生群体,年
轻小资,或者中年人,他们希望居住的环境要求各不相同各类型条件
限制这也加大了用户租房的难度。当今的租房市场并不够透,传统的
实体中介已经跟不上需求。文章将介绍传统的租房信息与移动互联相
结合,运用大数据收集各类房源信息聚合数据,跨平台整合信息,最
后通过计算机软件开发相关技术开发出一款智能房源推荐平台推荐
给用户。整个推荐系统目的就是为了解决 item 和 user 的匹配问题,
本项目采用最经典的就是 CF 的方法,本质上是构建 user 和 item 的
特征表达,你可以想办法用抽取特征的网络结构来提取这个表达形
式,也就是常说的 embedding 方法。然后就可以直接用 user 的 emb
和所有 item 的 emb 计算相似度,按照相似度高低返回推荐结果。想
办法构造巧妙的或者新颖的方式抽取特征,最后选用现代化 web 框
架 SpringBoot+Vue 完成平台搭建
关键词:房源推荐系统 ALS 算法 大数据 数据采集
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 middle-aged
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 一 章 绪 论 ..................................... 1
1.1 项目的开发背景 .................................... 1
1.2 项目的开发目的 .................................... 1
1.3 项目的开发意义 .................................... 1
1.4 国内的研究现状和发展趋势 .......................... 1
1.5 项目的设计思路..................................... 2
第 二 章 平 台 综 述 及 相 关 技 术 选 型 介 绍 ............... 3
2.1 Python 简介 ....................................... 3
2.2 Scrapy 爬虫框架简介................................ 3
2.3 JAVA 语言简介 ..................................... 4
2.4 Hbase 简介 ........................................ 5
2.5 本章小结 .......................................... 6
第 三 章 推 荐 算 法 介 绍 与 平 台 推 荐 引 擎 实 现 ........... 7
3.1 主流推荐算法介绍 .................................. 7
3.2 协同过滤算法 ...................................... 7
3.2.1 基于模型的协同过滤 ........................... 7
3.2.2 基于内存的协调过滤算法 ....................... 7
3.3 系统中的推荐算法 .................................. 8
3.4 系统中的推荐引擎架构介绍 .......................... 9
3.4.1 架构模块介绍 ................................ 10
3.4.2 基于房源用户画像的用户相似度计算方法 ........ 10
3.5 本章小结 ......................................... 11
第 四 章 租 房 推 荐 平 台 实 现 ........................ 12
4.1 系统功能模块的设计与实现 ......................... 12
4.1.1 前台首页设计与实现 .......................... 12
4.1.2 分享小组设计与实现 .......................... 13
4.1.3 大数据个性化条件筛选房源功能 ................ 15
4.1.4 智能推荐房源功能 ............................ 17
4.2 后台的设计与实现 ................................. 18
4.2.1 后台登录页面 ................................ 18
4.2.2 用户管理模块 ................................ 18
4.2.3 房源列表信息 ................................ 19
4.2.4 城市分类列表信息............................. 19
4.3 本章小结 ......................................... 20
第 五 章 结 论 .................................... 21
参 考 文 献 .................................... 22
致 谢 .......................................... 23
第一章 绪论
1.1 项目的开发背景
目前,现有的房源信息不够透明化大多中介混淆市场,内含不为人知的商业
链。有经验的租客们会通过周边房价走势和走访周边房源对比调研、筛选适合自
己的房源。
同时,对于用户工作地点需求和各种人群类型如大学生群体,年轻小资,或
者中年人 他们希望居住的环境要求各不相同各类型条件我限制这也加大了用户
租房的难度。随着城市化建设,经济发展,就业人群流动,相较市场的庞大需求,
当今的租房市场并不够透,传统的实体中介已经跟不上需求。文章将介绍传统的
租房信息与移动互联相结合,运用大数据收集查阅信息,跨平台整合信息,最后
推荐给用户。
1.2 项目的开发目的
对于所有人来说衣食住行是我们在社会上生活的必需品,在房价频频高涨
的现在,对于所有社会上打拼的人或者说所有踏入社会的年轻人来说,都会参与
到租房市场。
研究数据展示现在我国的租房人口数量约为 2 亿,主要由流动人口和大学
毕业生组成,住房租赁市场为 1.3 万亿。 随着城市化进程的发展,流动人口规
模的不断增加为租住人口提供了基础。到 2030 年,国内有需要租房的需求将达
到 2.9 亿人口,市场规模将超过 4 亿人口
1.3 项目的开发意义
(1)基于用户协同过滤算法进行探索,通过数据挖掘等前沿技术,研究在
Web 端和移动端相关系统的设计与实现。
(2)为平台用户提供一个拥有多项功能的,且具有良好数据可视化和友好
交互的系统。
(3)对房源进行数据采集,标记分析处理,通过用户协同过滤 相似度处理,
让房源推荐平台更加智能,更懂用户。
(4)给缺乏房源信息和需要租房的用户带来便利。
1.4 国内的研究现状和发展趋势
回顾国内外相关领域研究,学者们在丰富用户兴趣特征、构建协同过滤个性
化推荐方面已经做了很多研究工作,协同过滤算法是当前推荐系统中应用最广泛
的推荐算法,从社交网络数据再到情景融入数据,基于此,本文在协同过滤方法的
1
剩余21页未读,继续阅读
资源评论
- m0_740754122022-10-11资源是宝藏资源,实用也是真的实用,感谢大佬分享~
xxpr_ybgg
- 粉丝: 6507
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- mc.as
- 618家具社群团购清单.xlsx
- Javascript的鼠标手势
- hdmi in视频采集,输出到hdmi out, 支持HDMI指令控制,支持TFTP远程下载图片
- 批量word文件内容替换工具1.0 (批量实现多个 Word 文档文件文字替换利器).exe
- Cartoon GUI Pack 1.2.zip
- 我分享个魔兽内存修改器
- Python毕业设计基于Django的网易云数据分析可视化大屏系统的设计与实现+使用说明+全部资料(优秀项目).zip
- mp3 idv2,idv1,frame分析工具
- 鹈鹕优化算法POA MATLAB源码, 应用案例为函数极值求解以及优化svm进行分类,代码注释详细,可结合自身需求进行应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功