idea开发 java web 酒店推荐系统bootstrap框架开发协同过滤算法web结构java编程计算机网页-编程知识

一、源码特点
java 酒店推荐推荐系统是一套完善的完整信息系统，结合java web开发和bootstrap UI框架完成本系统采用协同过滤算法进行推荐，对理解JSP java编程开发语言有帮助，系统具有完整的源代码和数据库，系统主要采用B/S模式开发。
前段主要技术 css jquery bootstrap UI框架
后端主要技术 java jsp
数据库 mysql
开发工具 IDEA JDK1.8

java web基于协同过滤酒店推荐系统1

二、功能介绍
前台功能：
1）系统首页
2）公告浏览
3）酒店浏览、查看酒店详情，系统并记录用户浏览记录，系统采用协同过滤算法，根据用户的行为习惯进行推荐其他酒店
4）客房预定、入住、查看订单
5）用户注册、登录

后台功能：
(1)管理员管理：对管理员信息进行添加、删除、修改和查看
(2)用户管理：对用户信息进行添加、删除、修改和查看
(3)员工管理：对员工信息进行添加、删除、修改和查看
(4)公告管理：对公告信息进行添加、删除、修改和查看
(5)酒店管理：对酒店信息进行添加、删除、修改和查看
(6)浏览管理：对浏览信息进行添加、删除、修改和查看
(7)客房类型管理：对客房类型信息进行添加、删除、修改和查看
(8)客房管理：对客房信息进行添加、删除、修改和查看
(9)预定管理：对预定信息进行添加、删除、修改和查看
(10)入住管理：对入住信息进行添加、删除、修改和查看
(11)商品管理：对商品信息进行添加、删除、修改和查看
(12)订单管理：对订单信息进行删除、修改和查看
(13)订单明细管理：对订单明细信息进行删除、修改和查看
(14)用户登录、个人信息修改

数据库设计

CREATE TABLE `gly` (
`glyid` int(11) NOT NULL auto_increment,
`yhm` VARCHAR(40) default NULL COMMENT '用户名',
`mm` VARCHAR(40) default NULL COMMENT '密码',
`xm` VARCHAR(40) default NULL COMMENT '姓名',  PRIMARY KEY  (`glyid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;
CREATE TABLE `yonghu` (
`yhid` int(11) NOT NULL auto_increment,
`yhm` VARCHAR(40) default NULL COMMENT '用户名',
`mm` VARCHAR(40) default NULL COMMENT '密码',
`xm` VARCHAR(40) default NULL COMMENT '姓名',
`lxdh` VARCHAR(40) default NULL COMMENT '联系电话',
`lxdz` VARCHAR(40) default NULL COMMENT '联系地址',  PRIMARY KEY  (`yhid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;
CREATE TABLE `yuangong` (
`ygid` int(11) NOT NULL auto_increment,
`yhm` VARCHAR(40) default NULL COMMENT '用户名',
`mm` VARCHAR(40) default NULL COMMENT '密码',
`xm` VARCHAR(40) default NULL COMMENT '姓名',
`lxdh` VARCHAR(40) default NULL COMMENT '联系电话',
`jd` VARCHAR(40) default NULL COMMENT '酒店',  PRIMARY KEY  (`ygid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;
CREATE TABLE `gonggao` (
`ggid` int(11) NOT NULL auto_increment,
`bt` VARCHAR(40) default NULL COMMENT '标题',
`nr` VARCHAR(40) default NULL COMMENT '内容',
`fbsj` VARCHAR(40) default NULL COMMENT '发布时间',  PRIMARY KEY  (`ggid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;
CREATE TABLE `jiudian` (
`jdid` int(11) NOT NULL auto_increment,
`jdmc` VARCHAR(40) default NULL COMMENT '酒店名称',
`wz` VARCHAR(40) default NULL COMMENT '位置',
`tp` VARCHAR(40) default NULL COMMENT '图片',
`lxdh` VARCHAR(40) default NULL COMMENT '联系电话',  PRIMARY KEY  (`jdid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;
CREATE TABLE `liulan` (
`llid` int(11) NOT NULL auto_increment,
`jd` VARCHAR(40) default NULL COMMENT '酒店',
`yh` VARCHAR(40) default NULL COMMENT '用户',
`llsj` VARCHAR(40) default NULL COMMENT '浏览时间',  PRIMARY KEY  (`llid`)
) ENGINE=InnoDB DEFAULT CHARSET=gb2312;

代码设计

  int N = scanner.nextInt();  int[][] sparseMatrix = new int[N][N];//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】  Map<String, Integer> userItemLength = new HashMap();//存储每一个用户对应的不同物品总数  eg: A 3  Map<String, Set<String>> itemUserCollection = new HashMap();//建立物品到用户的倒排表 eg: a A B  Set<String> items = new HashSet();//辅助存储物品集合  Map<String, Integer> userID = new HashMap();//辅助存储每一个用户的用户ID映射  Map<Integer, String> idUser = new HashMap();//辅助存储每一个ID对应的用户映射  System.out.println("Input user--items maping infermation:<eg:A a b d>");  scanner.nextLine();  for(int i = 0; i < N ; i++){//依次处理N个用户 输入数据  以空格间隔  String[] user_item = scanner.nextLine().split(" ");  int length = user_item.length;  userItemLength.put(user_item[0], length-1);//eg: A 3  userID.put(user_item[0], i);//用户ID与稀疏矩阵建立对应关系  idUser.put(i, user_item[0]);  //建立物品--用户倒排表  for(int j = 1; j < length; j ++){  if(items.contains(user_item[j])){//如果已经包含对应的物品--用户映射，直接添加对应的用户  itemUserCollection.get(user_item[j]).add(user_item[0]);  }else{//否则创建对应物品--用户集合映射  items.add(user_item[j]);  itemUserCollection.put(user_item[j], new HashSet<String>());//创建物品--用户倒排关系  itemUserCollection.get(user_item[j]).add(user_item[0]);  }  }  }  System.out.println(itemUserCollection.toString());  //计算相似度矩阵【稀疏】  Set<Entry<String, Set<String>>> entrySet = itemUserCollection.entrySet();  Iterator<Entry<String, Set<String>>> iterator = entrySet.iterator();  while(iterator.hasNext()){  Set<String> commonUsers = iterator.next().getValue();  for (String user_u : commonUsers) {  for (String user_v : commonUsers) {  if(user_u.equals(user_v)){  continue;  }  sparseMatrix[userID.get(user_u)][userID.get(user_v)] += 1;//计算用户u与用户v都有正反馈的物品总数  }  }  }  System.out.println(userItemLength.toString());  System.out.println("Input the user for recommendation:<eg:A>");  String recommendUser = scanner.nextLine();  System.out.println(userID.get(recommendUser));  //计算用户之间的相似度【余弦相似性】  int recommendUserId = userID.get(recommendUser);  for (int j = 0;j < sparseMatrix.length; j++) {  if(j != recommendUserId){  System.out.println(idUser.get(recommendUserId)+"--"+idUser.get(j)+"相似度:"+sparseMatrix[recommendUserId][j]/Math.sqrt(userItemLength.get(idUser.get(recommendUserId))*userItemLength.get(idUser.get(j))));  }  }  //计算指定用户recommendUser的物品推荐度  for(String item: items){//遍历每一件物品  Set<String> users = itemUserCollection.get(item);//得到购买当前物品的所有用户集合  if(!users.contains(recommendUser)){//如果被推荐用户没有购买当前物品，则进行推荐度计算  double itemRecommendDegree = 0.0;  for(String user: users){  itemRecommendDegree += sparseMatrix[userID.get(recommendUser)][userID.get(user)]/Math.sqrt(userItemLength.get(recommendUser)*userItemLength.get(user));//推荐度计算  }  System.out.println("The item "+item+" for "+recommendUser +"'s recommended degree:"+itemRecommendDegree);  }  }

三、注意事项
1、管理员账号：admin密码：admin 数据库配置文件DBO.java
2、开发环境为IDEA开发，数据库为mysql，使用java语言开发。
3、数据库文件名是jspjdtj.sql 系统名称jdtj
4、地址：qt/index.jsp

四系统实现