【摘要】：近年來,隨著互聯(lián)網(wǎng)和社區(qū)建設(shè)的發(fā)展,社區(qū)的服務(wù)越來越受到人們的關(guān)注,人們希望在社區(qū)中享受到便利的社區(qū)服務(wù)。但如今大多數(shù)的社區(qū)終端軟件都有這樣一些缺點(diǎn):功能單一,不利于功能的擴(kuò)展,人機(jī)交互界面的兼容性差,不能為社區(qū)用戶提供推薦服務(wù)。本課題針對上述缺點(diǎn)和社區(qū)用戶的需求,按照智慧社區(qū)建設(shè)的標(biāo)準(zhǔn),結(jié)合SOA體系結(jié)構(gòu)松耦合、易擴(kuò)展等特點(diǎn),設(shè)計了基于SOA的智慧社區(qū)管理系統(tǒng),系統(tǒng)主要為用戶提供社區(qū)基礎(chǔ)服務(wù)功能和推薦服務(wù)功能。本文的主要工作如下:1.分析國內(nèi)外的智慧社區(qū)、智慧社區(qū)的推薦服務(wù)和SOA架構(gòu)的B/S服務(wù)模式的研究現(xiàn)狀,指出了智慧社區(qū)管理系統(tǒng)和傳統(tǒng)軟件架構(gòu)的不足,結(jié)合社區(qū)用戶對系統(tǒng)的基礎(chǔ)服務(wù)和推薦服務(wù)功能的需求,設(shè)計系統(tǒng)方案,并闡述關(guān)鍵技術(shù)。2.根據(jù)社區(qū)用戶對推薦服務(wù)的需求,深入理解常見相似度計算方法的協(xié)同過濾推薦算法和其他改進(jìn)的推薦算法,將信息熵融合在協(xié)同過濾推薦算法中來減小用戶評分稀疏性導(dǎo)致的誤差,結(jié)合社區(qū)用戶的特征將社區(qū)因子融合在協(xié)同過濾推薦算法中來提高推薦算法的準(zhǔn)確率,改進(jìn)的推薦算法準(zhǔn)確率的平均值是0.79,與CTCF、IMCF、和ALS-λCF相比,準(zhǔn)確率分別提高1.04%,1.62%和3.82%。3.根據(jù)SOA分層設(shè)計思想和B/S服務(wù)模式將軟件分成表示層、控制層、業(yè)務(wù)邏輯層、數(shù)據(jù)訪問層和數(shù)據(jù)層,并按照用戶需求設(shè)計和實(shí)現(xiàn)系統(tǒng)的服務(wù)功能,這些服務(wù)功能包括個人信息管理、社區(qū)人員信息管理、社區(qū)基礎(chǔ)設(shè)施信息管理、社區(qū)物業(yè)管理、社區(qū)通知信息管理、社區(qū)商業(yè)服務(wù)管理和社區(qū)推薦服務(wù),同時將改進(jìn)的推薦算法應(yīng)用在推薦服務(wù)功能中。4.搭建測試環(huán)境,按照用戶對社區(qū)服務(wù)的需求以及GB/T25000.51-2016和GB/T25000.10-2016的軟件質(zhì)量測試標(biāo)準(zhǔn),對系統(tǒng)的功能和非功能進(jìn)行測試,以此來測試系統(tǒng)功能的合理性和可行性。測試結(jié)果表明,系統(tǒng)滿足用戶對社區(qū)基礎(chǔ)服務(wù)和推薦服務(wù)的需求,穩(wěn)定性和兼容性符合國家軟件標(biāo)準(zhǔn)。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：D669.3;TP311.52
【圖文】：

圖 3.2 推薦算法的 MAE 值比較實(shí)驗(yàn)結(jié)果表明，本課題的融合信息熵和社區(qū)因子的協(xié)同過濾推薦算法的平均絕對誤差的平均值是 0.75，與 CTCF、IMCF、和 ALS-λCF 相比，平均絕對誤差分別減小 1.63%，2.26%和 4.62%。由于本課題的推薦算法融合信息熵能在數(shù)據(jù)稀疏的情況下反應(yīng)用戶之間的相似度，并且實(shí)驗(yàn)?zāi)M社區(qū)的用戶提取了社區(qū)因子，因此在最近鄰居數(shù)小于 30 即數(shù)據(jù)集稀疏的情況下，融合信息熵和社區(qū)因子的協(xié)同過濾推薦算法比其他推薦算法具有更高的推薦準(zhǔn)確度。由于文獻(xiàn)[46]的 ALS-λCF 推薦算法在計算用戶的相似度時只考慮了用戶的地理位置，因此在這幾種推薦算法中，該推薦算法的準(zhǔn)確度最低。在推薦算法的準(zhǔn)確率的對比實(shí)驗(yàn)中，分別在相同數(shù)據(jù)集下取最近鄰居集合uS 為10、20、30、40、50 和 60，將融合信息熵和社區(qū)因子的協(xié)同過濾推薦算法與文獻(xiàn)[44]的 CTCF 推薦算法、文獻(xiàn)[45]的 IMCF 推薦算法和文獻(xiàn)[46]的 ALS-λCF 推薦算法進(jìn)

了一個閾值[47]，才能明確用戶是否喜歡推薦的項目。由于本實(shí)驗(yàn)數(shù)據(jù)中用戶的評分是 1 至 5 分，所以設(shè)定閾值為 3，用戶的評分大于 3 則說明用戶喜歡推薦的項目，反之則說明用戶不喜歡推薦的項目。將這四種推薦算法按照式 3.19 的準(zhǔn)確率評價指標(biāo)在不同最近鄰居數(shù)的情況下繪制的準(zhǔn)確率(Precision)折線圖如圖 3.3 所示。

在推薦算法的召回率的對比實(shí)驗(yàn)中，分別在相同數(shù)據(jù)集下取最近鄰居集合uS 為10、20、30、40、50 和 60，將融合信息熵和社區(qū)因子的協(xié)同過濾推薦算法與文獻(xiàn)[44]的 CTCF 推薦算法、文獻(xiàn)[45]的 IMCF 推薦算法和文獻(xiàn)[46]的 ALS-λCF 推薦算法進(jìn)行比較。在計算召回率時，為了明確用戶是否喜歡推薦項目，也需要對項目評分設(shè)定一個閾值。設(shè)定閾值的方法和準(zhǔn)確率仿真實(shí)驗(yàn)一樣，閾值為 3，當(dāng)評分大于 3 分則說明用戶喜歡該項目，反之則說明用戶不喜歡該項目。將這四種推薦算法按照式3.20 的召回率評價指標(biāo)在不同最近鄰居數(shù)的情況下繪制的召回率(Recall)折線圖如圖 3.4 所示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 魯曉霞;周忠和;;一種基于SOA的智慧應(yīng)用建設(shè)探討[J];物聯(lián)網(wǎng)技術(shù);2015年07期

2 陳建飛;;智慧社區(qū)移動互聯(lián)網(wǎng)O2O服務(wù)平臺應(yīng)用探究[J];通訊世界;2015年10期

3 張屹;;基于信任社區(qū)的電子商務(wù)推薦模型[J];無線互聯(lián)科技;2014年08期

4 麻風(fēng)梅;王剛;;基于用戶社區(qū)的商品推薦方法[J];計算機(jī)與數(shù)字工程;2013年08期

5 王平;任榮;付蔚;譚剛;;基于Hibernate數(shù)據(jù)性能優(yōu)化方法的研究[J];廣東通信技術(shù);2013年08期

相關(guān)碩士學(xué)位論文 前8條

1 楊玲;基于SSH框架的新聞采編系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D];北京交通大學(xué);2017年

2 王強(qiáng);基于協(xié)同過濾的個性化推薦算法研究及系統(tǒng)實(shí)現(xiàn)[D];西南交通大學(xué);2017年

3 喬俞豪;基于物聯(lián)網(wǎng)的智慧社區(qū)管理系統(tǒng)研究[D];中北大學(xué);2017年

4 吳桐;面向智慧社區(qū)的個性化健康信息服務(wù)的應(yīng)用研究[D];北京交通大學(xué);2017年

5 黃媛媛;基于云技術(shù)的智慧社區(qū)服務(wù)系統(tǒng)的研究[D];杭州電子科技大學(xué);2017年

6 倪殟波;個性化推薦在智慧社區(qū)中的研究與應(yīng)用[D];南昌大學(xué);2016年

7 吳世良;協(xié)同過濾算法在LBS社區(qū)服務(wù)系統(tǒng)中的研究及應(yīng)用[D];北京郵電大學(xué);2014年

8 原霞飛;基于人工免疫算法的電子商務(wù)推薦系統(tǒng)的研究[D];山東師范大學(xué);2011年

本文編號：2747701