springboot旅游推荐系统算法解析篇

程序员文章站 2024-01-15 21:44:10

...

介绍

最近做了一个关于旅游方面的项目，使用了比较流行的推荐算法，特地在此跟大家分享一下算法的实现过程。

项目简介

采用前后端分离架构。

RESTful API风格接口化、Json形式数据传输。

前端页面进行了升级，引用了一些基本的组件，如dataTables.js、bootstrap.js、bootbox.js。

前端没有采用主流框架如Vue、React等，使用基本的HTML+CSS+JQ也减轻了上手难度。

引入皮尔逊线性相似度推荐算法的Java实现，应用于项目的“景点推荐”栏目。

项目架构

采用前后端分离，Jquery + SpringBoot2.0

后端语言Java

ORM使用SpringDataJPA

数据库使用MySql5.7+Mongodb3

缓存Redis

部署Nginx+Jar

算法解析

皮尔逊相关系数的相似度算法(Pearson)

该算法在本系统中实现了基于景点分数近似度的推荐功能，以下给出数据获取方法代码，具体算法实现请查看CFUtils.cosineSimilarity()方法。

public List<Spots> findRecommendList(String id) {
        //系统中我将景点抽象成了产品，这样便于扩展，如酒店、旅行团均可看作产品评分，统一记录在系统的分数表中
        //如果是查询景点推荐列表，则根据入参景点id查询景点
        List<Score> productScoreList = scoreDao.findByProductId(id);
        //因为相似度比对需要两份数据，首先得到自己查询的景点的分数集合
        double[] ownProductScoreList = new double[productScoreList.size()];
        for (int i = 0; i < productScoreList.size(); i++) {
            ownProductScoreList[i] = Double.parseDouble(productScoreList.get(i).getGrade());
        }
        //然后得到分数表中所有景点的分数集合
        List<Score> productCountInScoreList = scoreDao.findAllGroupByProductId();
        HashMap<String,double[]> ss = new HashMap<String,double[]>();
        //循环所有景点
        for (int i = 0; i < productCountInScoreList.size(); i++) {
            //得到该产品的所有分数
            List<Score> bb = scoreDao.findByProductId(productCountInScoreList.get(i).getProductId());
            double[] otherProductScoreList = new double[bb.size()];
            //循环该产品的所有分数
            for (int j = 0; j < bb.size(); j++) {
                otherProductScoreList[j] = Double.parseDouble(bb.get(j).getGrade());
            }
            //将产品作为key，分数集合作为value存入map
            ss.put(productCountInScoreList.get(i).getProductId(),otherProductScoreList);
        }
        List<Spots> resSpotsList = new ArrayList<>();
        //循环Map依次比对其线性相似度
        ss.forEach((String k, double[] v)->{
            //得到相似度值
            double n = CFUtils.cosineSimilarity(ownProductScoreList,v);
            log.info("id：{},线性相似度：{}",k,n);
            //判断相似度值是否符合自己设定的阈值
            if(n > pearsonCorrelation) {
                //符合相似阈值，放入推荐列表
                resSpotsList.add(spotsDao.findById(k));
            }
        });
        return resSpotsList;
    }