大数据毕业设计Python+Spark租房推荐系统 租房大数据 租房数据分析 租房可视化 租房爬虫 大数据毕设 计算机毕业设计 机器学习 深度学习 人工智能 知识图谱

博主介绍：✌全网粉丝100W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌

🍅由于篇幅限制，想要获取完整文章或者源码，或者代做，可以给我留言或者找我聊天。🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人 。

文章包含：项目选题 + 项目展示图片 （必看）

下面分享租房推荐算法的写法如下：

import numpy as np
import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split

# 加载数据集
data = pd.read_csv('rental_data.csv')
X = data[['user_id', 'property_id']]
y = data['rating']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立用户嵌入矩阵
user_input = tf.keras.layers.Input(shape=(1,), name='user_input')
user_embedding = tf.keras.layers.Embedding(input_dim=max(X['user_id'])+1, output_dim=64)(user_input)
user_embedding = tf.keras.layers.Flatten()(user_embedding)

# 建立物品嵌入矩阵
property_input = tf.keras.layers.Input(shape=(1,), name='property_input')
property_embedding = tf.keras.layers.Embedding(input_dim=max(X['property_id'])+1, output_dim=64)(property_input)
property_embedding = tf.keras.layers.Flatten()(property_embedding)

# 合并用户和物品嵌入矩阵
merged = tf.keras.layers.Concatenate()([user_embedding, property_embedding])

# 构建模型
output = tf.keras.layers.Dense(1, activation='linear')(merged)
model = tf.keras.Model(inputs=[user_input, property_input], outputs=output)

# 编译模型
model.compile(loss='mse', optimizer='adam')

# 训练模型
model.fit([X_train['user_id'], X_train['property_id']], y_train, epochs=10, batch_size=32, verbose=1)

# 评估模型
test_loss = model.evaluate([X_test['user_id'], X_test['property_id']], y_test)
print('Test Loss:', test_loss)