（一）数据库设计部分：
创建数据库hourse:
1：关注表
CREATE TABLE `guanzhu` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`uid` int(11) DEFAULT NULL,
`hid` int(11) DEFAULT NULL,
`time` datetime DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=6 DEFAULT CHARSET=utf8;
2：历史表
CREATE TABLE `history` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`uid` int(11) DEFAULT NULL,
`uname` varchar(65) DEFAULT NULL,
`createtime` datetime DEFAULT NULL,
`hid` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=133 DEFAULT CHARSET=utf8;
3：房屋信息表
CREATE TABLE `hourse` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`uname` varchar(255) DEFAULT NULL COMMENT '房东名字',
`uid` int(11) DEFAULT NULL,
`image` varchar(255) DEFAULT NULL COMMENT '主视图',
`image1` varchar(255) DEFAULT NULL,
`image2` varchar(255) DEFAULT NULL,
`area` int(11) DEFAULT NULL COMMENT '面积',
`address` varchar(255) DEFAULT NULL COMMENT '地址',
`rent_type` int(11) DEFAULT NULL COMMENT '0 日租 1月租',
`day_price` double DEFAULT NULL COMMENT '日租金',
`month_price` double DEFAULT NULL COMMENT '月租金',
`hourse_type` int(66) unsigned DEFAULT NULL COMMENT '1一室一厅2两室一厅3三室一厅',
`state` int(11) DEFAULT '0' COMMENT '0可申请 1已申请 2已审核 3已入组 4已退房',
`fabu_state` int(11) DEFAULT '0' COMMENT '0 未审核 自己房屋审核情况',
`name` varchar(64) DEFAULT NULL COMMENT '名字',
`xiaoqv` varchar(64) DEFAULT NULL COMMENT '归属小区',
`introduce` varchar(4000) DEFAULT NULL COMMENT '房子介绍',
`xqintrodece` varchar(4000) DEFAULT NULL COMMENT '小区介绍',
`createtime` datetime DEFAULT NULL COMMENT '发布时间',
`tel` varchar(64) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=15 DEFAULT CHARSET=utf8;
4：订单房屋表
CREATE TABLE `hourse_order` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`hid` int(11) DEFAULT NULL COMMENT '房子ID',
`in_time` datetime DEFAULT NULL COMMENT '入住时间',
`pay_type` int(11) DEFAULT NULL COMMENT '支付方式',
`out_time` datetime DEFAULT NULL COMMENT '退房时间',
`price` double DEFAULT NULL COMMENT '总价',
`state` int(11) DEFAULT NULL COMMENT '申请状态',
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
5：留言实体表
CREATE TABLE `message` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`content` varchar(2000) DEFAULT NULL COMMENT '留言内容',
`uid` int(11) DEFAULT NULL COMMENT '留言人',
`hid` int(11) DEFAULT NULL COMMENT '被留言房屋',
`rank` int(11) DEFAULT NULL COMMENT '评分',
`time` datetime DEFAULT NULL COMMENT '评论时间',
`uname` varchar(64) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8;
6：CREATE TABLE `my_hource` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`hid` int(11) DEFAULT NULL,
`time` datetime DEFAULT NULL,
`uid` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8;
7：申请表
CREATE TABLE `shenqing` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`uid` int(11) DEFAULT NULL COMMENT '申请人id',
`hid` int(11) DEFAULT NULL COMMENT '房子ID',
`time` datetime DEFAULT NULL COMMENT '申请时间',
`uname` varchar(64) DEFAULT NULL COMMENT '房东姓名',
`state` int(11) DEFAULT NULL COMMENT '申请状态',
`intime` varchar(64) DEFAULT NULL COMMENT '入住时间',
`renttype` int(11) DEFAULT NULL COMMENT '租住类型',
`price` double DEFAULT NULL COMMENT '价格',
`hname` varchar(64) DEFAULT NULL COMMENT '房子姓名',
`huid` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=6 DEFAULT CHARSET=utf8;
8：用户表
CREATE TABLE `user` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`username` varchar(255) DEFAULT NULL,
`password` varchar(255) DEFAULT NULL,
`realname` varchar(255) DEFAULT NULL,
`role` varchar(32) DEFAULT 's' COMMENT 'admin guest',
`image` varchar(64) DEFAULT NULL COMMENT 'u图片',
`address` varchar(255) DEFAULT NULL COMMENT '收货地址',
`phone` varchar(64) DEFAULT NULL,
`idnumber` varchar(65) DEFAULT NULL COMMENT '身份证号',
`tel` varchar(64) DEFAULT NULL,
`sex` int(11) DEFAULT '0',
`pay` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=10 DEFAULT CHARSET=utf8;
（二）典型代码展示部分：（代码不知道贴什么，所以详细设计与系统实现还是见文档吧）
import java.util.*;
import java.util.Map.Entry;
/**
* 基于用户的协同过滤推荐算法实现
* @author Administrator
*/
public class UserCF {
/**
*
* @param userList 用户喜好集合
* @param recommendUser 需要的用户
* @return
*/
public List<Integer> recoment(List<RecommentUser> userList,Integer recommendUser){
List<Sorf> sorfList = new ArrayList<>();
int[][] sparseMatrix = new int[userList.size()][userList.size()];//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】
Map<Integer, Integer> userItemLength = new HashMap<>();//存储每一个用户对应的不同物品总数 eg: A 3
Map<Integer, Set<Integer>> itemUserCollection = new HashMap<>();//建立物品到用户的倒排表 eg: a A B
Set<Integer> items = new HashSet<>();//辅助存储物品集合
Map<Integer, Integer> userID = new HashMap<>();//辅助存储每一个用户的用户ID映射
Map<Integer, Integer> 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>");
for(int i = 0; i < userList.size() ; i++){//依次处理N个用户 输入数据 以空格间隔
RecommentUser user = userList.get(i);
int uid = userList.get(i).getId();
int size = userList.get(i).getLikeList().size();
userItemLength.put(uid, size);//eg: A 3
userID.put(uid, i);//用户ID与稀疏矩阵建立对应关系
idUser.put(i, uid);
//建立物品--用户倒排表
for(int j = 0; j < size; j ++){
if(items.contains(user.getLikeList().get(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.getLikeList().get(j)).add(uid);
}else{//否则创建对应物品--用户集合映射
items.add(user.getLikeList().get(j));
itemUserCollection.put(user.getLikeList().get(j), new HashSet<Integer>());//创建物品--用户倒排关系
itemUserCollection.get(user.getLikeList().get(j)).add(uid);
}
}
}
System.out.println(itemUserCollection.toString());
//计算相似度矩阵【稀疏】
Set<Entry<Integer, Set<Integer>>> entrySet = itemUserCollection.entrySet();
Iterator<Entry<Integer, Set<Integer>>> iterator = entrySet.iterator();
while(iterator.hasNext()){
Set<Integer> commonUsers = iterator.next().getValue();
for (Integer user_u : commonUsers) {
for (Integer 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
}
}
}
for (int i = 0; i < userList.size(); i++) {
System.out.println("用户" + userList.get(i).getId() + ":" + userList.get(i).getLikeList().toString());
}
//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(Integer item: items){//遍历每一件物品
Set<Integer> 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(Integer 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("商品"+item+" 对用户 "+recommendUser +"'推荐度:"+itemRecommendDegree);
Sorf sorf = new Sorf(item,itemRecommendDegree);
sorfList.add(sorf);
}
}
Collections.sort(sorfList);
int size = 0;
if(sorfList.size() <5){
size = sorfList.size();
}else {
size = 4;
}
List<Integer> ids = new ArrayList<>();
for (int i = 0; i < size; i++) {
ids.add(sorfList.get(i).getKey());
}
return ids;
}
}
