美食推荐系统的设计与实现

电玩女神 2024-04-03 10:54 79阅读 0赞

目 录  
1绪论 1  
1.1课题背景及意义 1  
1.2课题研究现状 1  
1.3课题主要研究内容 2  
2相关技术 3  
2.1系统开发模式 3  
2.2 JSP开发技术 4  
2.3 MySQL数据库 5  
2.4 Html5 6  
2.5 DIV+CSS简介 6  
2.5个性化推荐技术 7  
3系统分析 10  
3.1系统可行性分析 10  
3.2系统功能需求分析 10  
3.3系统流程分析 10  
4系统设计 12  
4.1总体设计原则 12  
4.2系统功能结构设计 12  
4.3系统数据库设计 13  
5 系统实现 16  
5.1 Html5网页前端 16  
5.1.1注册登录模块 16  
5.1.2首页餐厅美食推荐列表模块 17  
5.1.3热销推荐模块 18  
5.2后台管理端 20  
5.2.1管理员登录模块 20  
5.2.2菜品管理模块 21  
6 系统测试 23  
6.1 软件测试的目的和原则 23  
6.2 测试环境 24  
6.3 软件测试 24  
总结 26  
参考文献 27  
致谢 28

课题设计推荐系统是一款美食推荐系统，该系统是基于C/S+B/S模式来设计，技术上采用Html5+JSP网页技术+个性化推荐技术开发，利用Java技术来实现，通过MySQL数据库来存取美食推荐系统相关的信息，Html5注册用户和商家用户可餐厅美食推荐列表、购物车订单及个人中心等，后台管理端可对菜品信息、菜品类别信息、优惠资讯管理、订单管理、统计及用户管理等。  
3系统分析  
3.1系统可行性分析  
（1）技术可行性：开发这套河池学院美食推荐系统B/S架构的Java+SSM+HTML技术来实现；以Html5开发者工具进行开发，采用MySQL数据库来储存平台系统数据，使用最经典的协同过滤算法来推荐排名，以上的Html5和网站开发组合已被大量的Html5应用所证明，运行稳定可靠，可作为学院美食推荐运算推荐的开发技术，因此技术上可行。  
（2）经济可行性：Html5是集合在上的功能，所以并不需要安装或者是下载，只需要人力物力的投入，时间上也合适，不需要很多额外支出，后期可以通过推广商铺来收取一定的利益，因此具有经济可行性。  
（3）操作可行性：本系统实现了用户与数据库的互动，界面简单友好，操作方便。能够为用户提供更加具体的商铺数据。与此同时对于许多客户来说，Html5不占用手机的内存，而且也不受手机系统的限制，本文转载自http://www.biyezuopin.vip/onews.asp?id=14103可以使用起来特别的快捷，具有操作可行性。  
（4）法律可行性：是合法的研究方向课题，符合法律要求。  
系统可行性分析从技术可行性、经济可行性、运行可行性以及法律可行性等方面分析。  
3.2系统功能需求分析  
课题设计美食推荐系统包括Html5前端和后台管理端两个部分，注册用户和商家用户可餐厅美食推荐列表、购物车订单及个人中心等，后台管理端可对菜品信息、菜品类别信息、优惠资讯管理、订单管理、统计及用户管理等。  
3.3系统流程分析  
登录是使用该美食推荐系统的入口，只有合法用户方可使用软件，同时系统会根据用户属性分配不同的用户权限，进入不同的业务界面操作不同的业务模块。

package com.share.spark.project.spark
    
    import com.share.spark.project.dao.CourseClickCountDAO
    import org.apache.hadoop.hbase.HBaseConfiguration
    import org.apache.hadoop.hbase.client.Result
    import org.apache.hadoop.hbase.io.ImmutableBytesWritable
    import org.apache.hadoop.hbase.mapreduce.TableInputFormat
    import org.apache.hadoop.hbase.util.Bytes
    import org.apache.log4j.{
        Level, Logger}
    import org.apache.spark.mllib.recommendation.{
        ALS, Rating}
    import org.apache.spark.{
        SparkConf, SparkContext}
    import org.apache.spark.streaming.kafka.KafkaUtils
    import org.apache.spark.streaming.{
        Seconds, StreamingContext}
    
    /**
      * 使用Spark 和 Spark Streaming 分别对用户产生离线和实时的推荐结果
      */
    object FoodRecommendStreamingApp {
        
      def main(args: Array[String]): Unit = {
        
        if (args.length != 4) {
        
          System.err.println("Usage: KafkaReceiverWordCount <zkQuorum> <group> <topics> <numThreads>")
          System.exit(1)
        }
    
        //设置日志提示等级
        Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
    
        //args为 hadoop:2181 test streamingtopic 1
        val Array(zkQuorum, group, topics, numThreads) = args
    
        val sparkConf = new SparkConf().setAppName("FoodRecommendStreamingApp").setMaster("local[2]").set("spark.akka.frameSize", "2000").set("spark.network.timeout", "1200")
        val sparkContext = new SparkContext(sparkConf)
        val hbaseConf = HBaseConfiguration.create()
        hbaseConf.set("hbase.zookeeper.quorum", "hadoop")
        hbaseConf.set("hbase.zookeeper.property.clientPort", "2181")
        hbaseConf.set("zookeeper.session.timeout", "6000000")
    
        println("\n=====================step 2 load data==========================")
        //加载HBase中的数据
    
        //读取数据并转化成rdd
        hbaseConf.set(TableInputFormat.INPUT_TABLE, "ratings")
        val ratingsData = sparkContext.newAPIHadoopRDD(hbaseConf, classOf[TableInputFormat],
          classOf[ImmutableBytesWritable],
          classOf[Result])
    
        val hbaseRatings = ratingsData.map {
         case (_, res) =>
          val foodId = Bytes.toString(res.getValue(Bytes.toBytes("info"), Bytes.toBytes("fid")))
          val rating = Bytes.toString(res.getValue(Bytes.toBytes("info"), Bytes.toBytes("rating")))
          val userId = Bytes.toString(res.getValue(Bytes.toBytes("info"), Bytes.toBytes("uid")))
          Rating(userId.toInt, foodId.toInt, rating.toDouble)
        }.cache()
    
        val numTrainRatings = hbaseRatings.count()
        println(s"[DEBUG]get $numTrainRatings train data from hbase")
    
        val rank = 10
        val lambda = 0.01
        val numIter = 10
    
        //第一次运行，初始化用户的推荐信息
    
        println("\n=====================system initiallizing...==========================")
        println("\n[DEBUG]training model...")
        val firstTrainTime = System.nanoTime()
        val model = ALS.train(hbaseRatings, rank, numIter, lambda)
        val firstTrainEndTime = System.nanoTime() - firstTrainTime
        println("[DEBUG]first training consuming:" + firstTrainEndTime / 1000000000 + "s")
    
        println("\n[DEBUG]save recommended data to hbase...")
        val firstPutTime = System.nanoTime()
    
        //为每一个用户产生初始的推荐食物，取top10
        for (i <- 1 to 60) {
        
          val topRatings = model.recommendProducts(i, 10)
          var recFoods = ""
          for (r <- topRatings) {
        
            val rating = r.rating.toString.substring(0, 4)
            recFoods += r.product + ":" + rating + ","
          }
          CourseClickCountDAO.put("users", i.toString, "info", "recFoods", recFoods.substring(0, recFoods.length - 1))
        }
        val firstPutEndTime = System.nanoTime() - firstPutTime
        println("[DEBUG]finish job consuming:" + firstPutEndTime / 1000000000 + "s")
    
    
        //实时推荐引擎部分
        println("\n=====================start real-time recommendation engine...==========================")
        val streamingTime = 120
        println(s"[DEBUG]The time interval to refresh model is: $streamingTime s")
    
        //接受实时的用户行为数据
        //    val streamingContext = new StreamingContext(sparkContext, Seconds(streamingTime))
        //    val ssc = new StreamingContext(sparkContext, Seconds(60))
    
    
        val ssc = new StreamingContext(sparkContext, Seconds(10))
        val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap
    
        // TODO... Spark Streaming 如何对接 Kafka
    
        val logs = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)
        val cleanData = logs.map(line => {
        
          val infos = line.split("::")
          Rating(infos(0).toInt, infos(1).toInt, infos(2).toDouble)
        })
    
        var allData = hbaseRatings
        allData.cache.count()
        hbaseRatings.unpersist()
        var index = 0
        cleanData.foreachRDD {
         rdd =>
          index += 1
          println("\n[DEBUG]this round (" + index + ") received: " + rdd.count + " data lines.")
          val refreshStartTime = System.nanoTime()
          val tmpData = allData.union(rdd).cache
          tmpData.count()
          allData = tmpData
          tmpData.unpersist()
          allData = allData.union(rdd).repartition(10).cache()
          val model = ALS.train(allData, rank, numIter, lambda)
          val refreshEndTime = System.nanoTime() - refreshStartTime
          println("[DEBUG]training consuming:" + refreshEndTime / 1000000000 + " s")
          println("[DEBUG]begin refresh hbase user's recBooks...")
          val refreshAgainStartTime = System.nanoTime()
    
          //只更新当前有行为产生的用户的推荐数据
          val usersId = rdd.map(_.user).distinct().collect()
          for (u <- usersId) {
        
            val topRatings = model.recommendProducts(u, 10)
            var recFoods = ""
            for (r <- topRatings) {
        
              val rating = r.rating.toString.substring(0, 4)
              recFoods += r.product + ":" + rating + ","
            }
            CourseClickCountDAO.put("users", u.toString, "info", "recFoods", recFoods.substring(0, recFoods.length - 1))
          }
          val refreshAgainConsumingTime = System.nanoTime() - refreshAgainStartTime
          println("[DEBUG]finish refresh job,consuming:" + refreshAgainConsumingTime / 1000000000 + " s")
        }
    
        ssc.start()
        ssc.awaitTermination()
        sparkContext.stop()
    
      }
    }

![在这里插入图片描述][7e051d9911d24fd4bbc4ffff0dd9c0c5.png_pic_center]  
![在这里插入图片描述][e676ca071f6c4e878cf6289d43a4627b.png_pic_center]  
![在这里插入图片描述][d8a924bda982406d93504d319ff9df78.png_pic_center]  
![在这里插入图片描述][8399dc5c02d0461eac28f256261a7223.png_pic_center]  
![在这里插入图片描述][b80f029dab3447f4a82eab0723b9767b.png_pic_center]  
![在这里插入图片描述][f6063542033a4f8eb368c09010f59c09.png_pic_center]  
![在这里插入图片描述][1d3c02363582422f834f153bfc183829.png_pic_center]  
![在这里插入图片描述][b34be903c4554d3fb3aa8a346bf7b996.png_pic_center]  
![在这里插入图片描述][ad47de76e7e64fb6b4b0c06527018894.png_pic_center]  
![在这里插入图片描述][99cb67acd5694303b46bc9a06d89083a.png_pic_center]  
![在这里插入图片描述][0c1e9b91631e49089588f4f7fb464aaa.png_pic_center]  
![在这里插入图片描述][31ada37c97bf4ca096454ea9cba5da76.png_pic_center]  
![在这里插入图片描述][681702ad54a34910b087787c8a0d2f53.jpeg_pic_center]  
![在这里插入图片描述][3ecc1cf0448c40d8a5c125128c068d2e.png_pic_center]  
![在这里插入图片描述][c1f1a91ac7794527888ace3d93cfc6e2.png_pic_center]  
![在这里插入图片描述][53bf47d5ba174cf3966669593c270449.jpeg_pic_center]  
![在这里插入图片描述][27fc187e1430421cb9c469085b6a98b8.png_pic_center]  
![在这里插入图片描述][812dfdc63af44f3590f7afebc5e4b140.png_pic_center]  
![在这里插入图片描述][a968f5c438f14a88a7a5880ffc499768.png_pic_center]  
![在这里插入图片描述][024c092562554a69a7bbeedb3218b9dc.jpeg_pic_center]  
![在这里插入图片描述][fa691e4cda3b491a8b8f0c7af56158ab.jpeg_pic_center]  
![在这里插入图片描述][c23ccbf1bc914a728065bf1fffb29d76.jpeg_pic_center]  
![在这里插入图片描述][ad40de07fec04f989a7c60e4d1f067fa.jpeg_pic_center]  
![在这里插入图片描述][4b4cbcb6fd7d409893eaaecb750cefd9.png_pic_center]  
![在这里插入图片描述][49d4616e44224701b36b1e86855ad653.png_pic_center]  
![在这里插入图片描述][78bc570c2ece49ba93760469b4ae9cc5.png_pic_center]  
![在这里插入图片描述][0999d29fba2a49eab98d8efacf7fb802.png_pic_center]  
![在这里插入图片描述][e4b1f896189b43cb93bcf4656c6ff1f8.jpeg_pic_center]  
![在这里插入图片描述][be84339d82c041849b2b2e16701384e9.jpeg_pic_center]  
![在这里插入图片描述][adace7c8f96e46768a285671eeda5fb4.jpeg_pic_center]

[7e051d9911d24fd4bbc4ffff0dd9c0c5.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/e32759903a0743788fadeae897494025.png
[e676ca071f6c4e878cf6289d43a4627b.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/b8549001bb154d1490cf4a7b00328b9e.png
[d8a924bda982406d93504d319ff9df78.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/3d41a7a403f4415aac39546a14715187.png
[8399dc5c02d0461eac28f256261a7223.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/18178b49b6194067ad4ffd9ffc1546e8.png
[b80f029dab3447f4a82eab0723b9767b.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/e8ebf620b3ca4b52811df88d4438025a.png
[f6063542033a4f8eb368c09010f59c09.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/6cbee7567727466d8459737fa1207334.png
[1d3c02363582422f834f153bfc183829.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/6e59e7f09a0c4656ac4b3e8b7f5c784f.png
[b34be903c4554d3fb3aa8a346bf7b996.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/a7051d03b1d44ffc935fa1691b377221.png
[ad47de76e7e64fb6b4b0c06527018894.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/99e1875c249f4e4ebe6b84883e385810.png
[99cb67acd5694303b46bc9a06d89083a.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/face84983bb047dfa2c6dd6ffd05c6eb.png
[0c1e9b91631e49089588f4f7fb464aaa.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/82d3b980955142c98c6146e2ad979c9c.png
[31ada37c97bf4ca096454ea9cba5da76.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/e43753e59e74485593ce0121eff1b165.png
[681702ad54a34910b087787c8a0d2f53.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/3ca1224eb15c4ea49d4c8c721b72aa5a.jpeg
[3ecc1cf0448c40d8a5c125128c068d2e.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/77b6f39a6fff4ca794b2296996c81e3f.png
[c1f1a91ac7794527888ace3d93cfc6e2.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/322564f0fa464caeab20b9b9f4c85b2e.png
[53bf47d5ba174cf3966669593c270449.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/5a63a77272284067b939713ddc03e924.jpeg
[27fc187e1430421cb9c469085b6a98b8.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/b251cf32604245908e8f4b23e8b0435c.png
[812dfdc63af44f3590f7afebc5e4b140.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/cd90d6316c59445eb75c3cd01aa8fbf5.png
[a968f5c438f14a88a7a5880ffc499768.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/373bc192ffec4de68c5033ee92196394.png
[024c092562554a69a7bbeedb3218b9dc.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/093e99f6a4cc4b83b9ba9b33e012c5e9.jpeg
[fa691e4cda3b491a8b8f0c7af56158ab.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/017738fe159d445e91d130b35faf3b02.jpeg
[c23ccbf1bc914a728065bf1fffb29d76.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/cb8bff3734114ad495a6c1e8687c9e0b.jpeg
[ad40de07fec04f989a7c60e4d1f067fa.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/f2cd44f9c6b84f56953677acb9542bde.jpeg
[4b4cbcb6fd7d409893eaaecb750cefd9.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/c67ce2e9a8ee406ca5ff82431907e797.png
[49d4616e44224701b36b1e86855ad653.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/4e655a7759f04cbebb757828a9489e73.png
[78bc570c2ece49ba93760469b4ae9cc5.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/b3ad13e20e914878ac3411c8cfb19354.png
[0999d29fba2a49eab98d8efacf7fb802.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/bb79d57d6b3c4a62983cb0a8726a26ba.png
[e4b1f896189b43cb93bcf4656c6ff1f8.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/1688de5ccdcf46b5acbd98b0a11583f5.jpeg
[be84339d82c041849b2b2e16701384e9.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/3e1c5522802c4754a85dc04e7dd82228.jpeg
[adace7c8f96e46768a285671eeda5fb4.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/120be65d47704830981cdf37572147ba.jpeg