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

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

 

代码下载

https://download.csdn.net/download/qq_41221322/89064345

需要源码 其他的定制服务  下方联系卡片↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓