基于协同过滤的旅游推荐系统设计与实现(论文+源码)_kaic

 1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 研究目标与意义
1.4 主要研究工作
2 相关理论介绍
2.1HTML与JavaScript
2.2 MySQL数据库
2.3 协同过滤算法简介
3 系统分析与设计
3.1 系统需求分析
3.1.1 功能性需求
3.1.2 安全性需求
3.2 系统总体架构
3.3 功能模块设计
3.3.1 用户模块设计
3.4 数据库设计
3.4.1 系统数据库
3.4.2 系统E-R图
3.4.3 逻辑结构设计
4 系统实现
4.1 界面实现
4.2 用户注册实现
4.3 协同过滤推荐
5 总结与展望
参考文献
致谢
附录
基于协同过滤的旅游推荐系统设计与实现
摘要：旅游已经成为了大众节假日放松的主要方式，但因为不熟悉旅游地点带来的选择困难却是不可避免的。随着旅游业的发展旅游行业越来越信息化，用户获取旅游景点信息更加方便。然而,用户在选择旅游目的地时,往往会面对海量的景点信息,这导致他们难以找到适合自己的景点,同时也费时费力 。数量众多的旅游景点存在着信息过载现象且日益严重，用户在网上查找时很难真正搜索到自己感兴趣的旅游景点，对此推荐系统是一种行之有效的解决方法。目前推荐系统已在电影、新闻、音乐、电子商务等方面应用广泛，但在旅游领域还未广泛使用。各大旅游网站多是提供信息查询及订票服务，因此本文将协同过滤算法应用于旅游景点的推荐。
关键词：旅游推荐；信息过载；协同过滤

Design and Implementation of a Travel Recommendation System Based on Collaborative Filtering
Information Management and Information System   Wu Zhang Hua
Supervisor: Mu Jiong
Abstract: Travel has become the main way for the public to relax on holidays, but the difficulty of choosing a place to visit is inevitable because of unfamiliarity with it. With the development of tourism industry the travel industry is becoming more and more informative, and it is more convenient for users to get information about tourist attractions. However, when choosing a destination, users are often confronted with a huge amount of information about attractions, which makes it difficult and time-consuming for them to find the right one. There is an increasing information overload in the large number of tourist attractions, and it is difficult for users to find the tourist attractions they are interested in when searching online. At present, recommendation system has been widely used in movies, news, music, e-commerce, etc., but it has not been widely used in the field of tourism. The major travel websites mostly provide information query and ticket booking services, so this paper applies the collaborative filtering algorithm to the recommendation of tourist attractions.
Keywords: Travel recommendation; information redundancy; collaborative filtering

 
1 绪论
1.1 研究背景及意义
旅游业是凭借旅游资源和设施，主要为游客提供交通、游览、住宿、餐饮、购物、文娱等环节的综合性行业，它能够满足人们日益增长的物质和文化需要。随着我国经济的快速增长和人民生活水平的不断提高，旅游已经成为人们生活中重要的一部分，通过旅游，人们可以在体力上和精神上得到休息,改善身体情况，开阔眼界,增长知识,同时推动社会生产的发展[1]。 
随着互联网技术的发展和智能移动设备的广泛使用，一些基于地理位置的社交网络服务平台(LBSN)相继出现，如Foursquare,Yelp,大众点评等以借助于LBSN平台，大量用户可以在平台上分享自己的旅游经历，并对自己体验过的旅游景点进行评论、打分等[2]。
用户通过互联网搜寻旅游景点时，往往面临着海量的信息，还会受到较多冗余信息的干扰，这对用户选择旅游景点造成了一定的困难，用户难以找到他真正感兴趣的旅游兴趣点。用户在基于位置的社交网络平台.上留下的对旅游景点的评分，评论等信息,为景点推荐带来了机遇。借助推荐算法，可以设计高效的个性化旅游推荐系统，现已成为如今机器学习和数据挖掘的研究热点。旅游推荐系统是解决旅游信息过载问题的重要手段，能主动推送符合游客兴趣的旅游线路，帮助其快速做出决策，节省用户的时间和精力，增强用户的旅游体验[3]。
1.2 国内外研究现状
在国内方面，旅游推荐系统的研究与应用还相对较少（国内应用不少啦！缺少调研）。国内学者普遍采用用户行为数据挖掘的方法，根据用户的历史数据，构建相应的用户画像，从而进行旅游服务的推荐。例如，2003（这个时间太久远啦）年的百度新闻搜索，杨等人就是根据用户的历史数据来分析用户的兴趣爱好[4]。度与用户所处的时间段和地点融合起来，来进行POI推荐。JIN[5]等人提出了充分利用用户的评分的--种新的相似度计算方法，然后计算出项目的奇异因子，再结合这种奇异因子和用户评分习惯求得相似度，其结果有效地提高了推荐系统的准确性[6]。沈记全[7]等 人在传统的协同过滤算法的基础上提出了一种基于信任关系与情景上下文的旅游景点推荐算法。一些学者在实践中采用了比较成熟的矩阵分解算法，利用用户历史数据进行训练，以此预测用户未来的旅游偏好，在此基础之上进行旅游服务的推荐。此外，还有研究者在实际应用中采用了综合评价指标对旅游路线、景点进行评估，进而应用推荐算法，为用户提供更加样式的旅游服务。
[1]在国际上，20世纪60年代，国外就开始对旅游体验进行研究，1964年Boorstin定义旅游体验是一种流行的消费行为。Hashem[]人将用户的社会信息纳入一个非负矩阵分解框架中，提出了一种TrustANLF社会正则化方法。Imane Belkhadir[9]等人提出了将一种融入社会网络信息的基于Web的社交网络中使用社会信任路径进行推荐的智能推荐系统。许多学者致力于利用协同过滤算法设计并实现这一系统。针对推荐系统中用户与项目之间关系的分析，有不少学者运用了协同过滤算法进行分析，尤其是基于矩阵分解的算法。郑吟秋[10]等人提出了一种将矩阵分解的线性和深度神经网络的非线性相结合的融合神经网络与矩阵分解的Tr-DNNMF旅游景点推荐模型，对用户-景点的潜在特征进行建模。（郑吟秋,汪弘扬,程玉等.融合神经网络与矩阵分解的旅游景点推荐模型[J].湖北工业大学学报,2021,36(02):29-33.这是中国人吧？
）能够通过计算用户行为数据的相似度，预测出用户的喜好，为其推荐符合其口味的旅游服务。例如，针对餐饮推荐问题，有学者将协同过滤算法运用到餐饮推荐系统之中，实验结果证明，该算法提高了餐饮推荐准确度，并且取得了良好的效果。
总之，国内外的学者们对于旅游推荐系统的研究不断深入，虽然各自采用了不同的算法与策略，但都在探索如何更好地利用用户的行为数据，提升旅游推荐系统的效果。随着旅游业的迅速发展，当下正是开发和应用旅游推荐系统的最佳时期，相信随着技术的不断发展，该系统将在未来拥有更为广泛的应用。
1.3 研究目标与意义
随着人们对旅游需求的不断提高，旅游推荐系统作为一种有效的旅游智能服务，其应用范围和意义也越来越显著。本文选择基于协同过滤算法的旅游推荐系统进行研究，旨在设计一种高效、准确的旅游推荐系统，为旅游者提供个性化的旅游信息与推荐服务。
本文的研究目标是设计一种基于协同过滤算法的旅游推荐系统，并将其实现。通过对用户偏好和行为的分析，为用户提供个性化的旅游推荐服务，并探讨协同过滤算法在旅游推荐系统中的应用。
本文的研究意义主要表现在以下方面：
首先，对于旅游行业来说，旅游推荐系统的设计和实现具有很高的实用价值。通过对用户偏好和行为的分析，推荐系统可以更加准确地为用户提供相应的旅游信息和服务，从而提高用户出行的满意度和体验感。对于旅游企业来说，旅游推荐系统也可以为企业增强品牌形象、提高竞争力和用户黏性。
其次，本文的研究对于计算机科学和数据挖掘领域也有一定的价值。本文将应用协同过滤算法进行旅游推荐，通过对算法原理和实现方法的研究，可以为该领域相关研究提供借鉴和参考，进一步推进该领域的发展和创新。
最后，本文的研究对于个人和社会来说也有积极的影响。旅游推荐系统为旅游者提供了更加便捷、高效的旅游服务，可以降低用户的旅游成本和时间成本，提高旅游的品质和效率。同时，推荐系统的应用也可以为社会创造更多的就业机会和商业机会，促进经济发展和社会进步。
综上所述，本文将通过对基于协同过滤算法的旅游推荐系统进行设计和实现的研究，提高旅游行业的服务质量和效率，推进计算机科学和数据挖掘领域的发展和创新，对个人和社会产生积极的影响。
1.4 主要研究工作
本论文的主要工作是基于协同过滤算法设计和实现一款旅游推荐系统。在研究中，首先分析了当前旅游推荐系统的现状和存在的问题，如信息过载、个性化推荐不足等。然后，分析并介绍了协同过滤算法的基本原理、分类及其在旅游推荐系统中的应用。在此基础上，提出了一种基于协同过滤算法的旅游推荐系统的设计方案，并详细描述了其工作流程和实现过程。最后，还对该系统进行了性能测试和分析，以验证该系统的准确性和实用性。
通过以上分析，得出的论点是，基于协同过滤算法的旅游推荐系统具有广泛的可应用性和推广价值。该系统能够有效解决旅游行业中的信息过载问题，提高用户体验和满意度，同时也能够帮助旅游行业高效营销和精准推广。因此，此研究对于推动旅游行业的发展和应用智能化技术具有重要意义。

4.2 用户注册实现

当用户在旅游推荐系统首页点击注册，提交相对应的注册信息，经过管理员端审核后，即注册成功。具体的逻辑流程如下：

Ajax判断两次密码是否相同、相关要求是否填写。

Controller层接受前端数据并配置好SQL查询语句的相关参数。

在公用函数类完成数据查询和数据封装。

经过管理员审核后显示注册成功并跳转到登录界面。

package com.superCode.controller.web;

import com.superCode.entity.*;
import com.superCode.service.*;
import org.springframework.stereotype.Controller;
import org.springframework.web.bind.annotation.RequestMapping;

import javax.annotation.Resource;
import java.util.*;

//定义为控制器
@Controller
// 设置路径
@RequestMapping("/web")
public class LoginWebAction extends BaseWebAction {

    @Resource
    private UsersService usersService;
    // 注入AdminService 并getter setter


    /*-------------------------------------用户*/
    // 准备登录
    @RequestMapping("preLogin.action")
    public String prelogin() {
        this.front();
        return "login";//跳转到WebContent目录下对应的JSP页面
    }

    // 用户登录
    @RequestMapping("login.action")
    public String login(Map<String, Object> map) {
        this.front();
        String username = this.getRequest().getParameter("username");
        String password = this.getRequest().getParameter("password");
        Users u = new Users();
        u.setUsername(username);
        List<Users> usersList = usersService.getByCond(u);
        if (usersList.size() == 0) {
            map.put("message", "用户名不存在");
            map.put("path", "/web/preLogin.action");
            return "message";//跳转到WebContent目录下对应的JSP页面

        } else {
            Users users = usersList.get(0);
            if (password.equals(users.getPassword())) {
                this.getSession().setAttribute("usersid", users.getUsersid());
                this.getSession().setAttribute("users", users);
                return "redirect:/web/index.action";//跳转到action
            } else {
                map.put("message", "密码错误");
                map.put("path", "/web/preLogin.action");
                return "message";//跳转到WebContent目录下对应的JSP页面

            }
        }
    }


    // 退出登录
    @RequestMapping("exit.action")
    public String exit() {
        this.front();
        this.getSession().removeAttribute("usersid");
        this.getSession().removeAttribute("users");
        return "redirect:/web/index.action";//跳转到action
    }


}

4.3 协同过滤推荐

系统采用协同过滤算法对旅游路线进行相关推荐，其核心是判断是用户和用户之间的景点热爱相似性和景点之间的关联性为基准，推荐流程如下：