基于SOA的智慧社区管理系统的研究与设计
发布时间：2020-07-09 16:27
【摘要】：近年来,随着互联网和社区建设的发展,社区的服务越来越受到人们的关注,人们希望在社区中享受到便利的社区服务。但如今大多数的社区终端软件都有这样一些缺点:功能单一,不利于功能的扩展,人机交互界面的兼容性差,不能为社区用户提供推荐服务。本课题针对上述缺点和社区用户的需求,按照智慧社区建设的标准,结合SOA体系结构松耦合、易扩展等特点,设计了基于SOA的智慧社区管理系统,系统主要为用户提供社区基础服务功能和推荐服务功能。本文的主要工作如下:1.分析国内外的智慧社区、智慧社区的推荐服务和SOA架构的B/S服务模式的研究现状,指出了智慧社区管理系统和传统软件架构的不足,结合社区用户对系统的基础服务和推荐服务功能的需求,设计系统方案,并阐述关键技术。2.根据社区用户对推荐服务的需求,深入理解常见相似度计算方法的协同过滤推荐算法和其他改进的推荐算法,将信息熵融合在协同过滤推荐算法中来减小用户评分稀疏性导致的误差,结合社区用户的特征将社区因子融合在协同过滤推荐算法中来提高推荐算法的准确率,改进的推荐算法准确率的平均值是0.79,与CTCF、IMCF、和ALS-λCF相比,准确率分别提高1.04%,1.62%和3.82%。3.根据SOA分层设计思想和B/S服务模式将软件分成表示层、控制层、业务逻辑层、数据访问层和数据层,并按照用户需求设计和实现系统的服务功能,这些服务功能包括个人信息管理、社区人员信息管理、社区基础设施信息管理、社区物业管理、社区通知信息管理、社区商业服务管理和社区推荐服务,同时将改进的推荐算法应用在推荐服务功能中。4.搭建测试环境,按照用户对社区服务的需求以及GB/T25000.51-2016和GB/T25000.10-2016的软件质量测试标准,对系统的功能和非功能进行测试,以此来测试系统功能的合理性和可行性。测试结果表明,系统满足用户对社区基础服务和推荐服务的需求,稳定性和兼容性符合国家软件标准。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D669.3;TP311.52
【图文】：
图 3.2 推荐算法的 MAE 值比较实验结果表明，本课题的融合信息熵和社区因子的协同过滤推荐算法的平均绝对误差的平均值是 0.75，与 CTCF、IMCF、和 ALS-λCF 相比，平均绝对误差分别减小 1.63%，2.26%和 4.62%。由于本课题的推荐算法融合信息熵能在数据稀疏的情况下反应用户之间的相似度，并且实验模拟社区的用户提取了社区因子，因此在最近邻居数小于 30 即数据集稀疏的情况下，融合信息熵和社区因子的协同过滤推荐算法比其他推荐算法具有更高的推荐准确度。由于文献[46]的 ALS-λCF 推荐算法在计算用户的相似度时只考虑了用户的地理位置，因此在这几种推荐算法中，该推荐算法的准确度最低。在推荐算法的准确率的对比实验中，分别在相同数据集下取最近邻居集合uS 为10、20、30、40、50 和 60，将融合信息熵和社区因子的协同过滤推荐算法与文献[44]的 CTCF 推荐算法、文献[45]的 IMCF 推荐算法和文献[46]的 ALS-λCF 推荐算法进
了一个阈值[47]，才能明确用户是否喜欢推荐的项目。由于本实验数据中用户的评分是 1 至 5 分，所以设定阈值为 3，用户的评分大于 3 则说明用户喜欢推荐的项目，反之则说明用户不喜欢推荐的项目。将这四种推荐算法按照式 3.19 的准确率评价指标在不同最近邻居数的情况下绘制的准确率(Precision)折线图如图 3.3 所示。
在推荐算法的召回率的对比实验中，分别在相同数据集下取最近邻居集合uS 为10、20、30、40、50 和 60，将融合信息熵和社区因子的协同过滤推荐算法与文献[44]的 CTCF 推荐算法、文献[45]的 IMCF 推荐算法和文献[46]的 ALS-λCF 推荐算法进行比较。在计算召回率时，为了明确用户是否喜欢推荐项目，也需要对项目评分设定一个阈值。设定阈值的方法和准确率仿真实验一样，阈值为 3，当评分大于 3 分则说明用户喜欢该项目，反之则说明用户不喜欢该项目。将这四种推荐算法按照式3.20 的召回率评价指标在不同最近邻居数的情况下绘制的召回率(Recall)折线图如图 3.4 所示。
本文编号：2747701
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D669.3;TP311.52
【图文】：
图 3.2 推荐算法的 MAE 值比较实验结果表明，本课题的融合信息熵和社区因子的协同过滤推荐算法的平均绝对误差的平均值是 0.75，与 CTCF、IMCF、和 ALS-λCF 相比，平均绝对误差分别减小 1.63%，2.26%和 4.62%。由于本课题的推荐算法融合信息熵能在数据稀疏的情况下反应用户之间的相似度，并且实验模拟社区的用户提取了社区因子，因此在最近邻居数小于 30 即数据集稀疏的情况下，融合信息熵和社区因子的协同过滤推荐算法比其他推荐算法具有更高的推荐准确度。由于文献[46]的 ALS-λCF 推荐算法在计算用户的相似度时只考虑了用户的地理位置，因此在这几种推荐算法中，该推荐算法的准确度最低。在推荐算法的准确率的对比实验中，分别在相同数据集下取最近邻居集合uS 为10、20、30、40、50 和 60，将融合信息熵和社区因子的协同过滤推荐算法与文献[44]的 CTCF 推荐算法、文献[45]的 IMCF 推荐算法和文献[46]的 ALS-λCF 推荐算法进
了一个阈值[47]，才能明确用户是否喜欢推荐的项目。由于本实验数据中用户的评分是 1 至 5 分，所以设定阈值为 3，用户的评分大于 3 则说明用户喜欢推荐的项目，反之则说明用户不喜欢推荐的项目。将这四种推荐算法按照式 3.19 的准确率评价指标在不同最近邻居数的情况下绘制的准确率(Precision)折线图如图 3.3 所示。
在推荐算法的召回率的对比实验中，分别在相同数据集下取最近邻居集合uS 为10、20、30、40、50 和 60，将融合信息熵和社区因子的协同过滤推荐算法与文献[44]的 CTCF 推荐算法、文献[45]的 IMCF 推荐算法和文献[46]的 ALS-λCF 推荐算法进行比较。在计算召回率时，为了明确用户是否喜欢推荐项目，也需要对项目评分设定一个阈值。设定阈值的方法和准确率仿真实验一样，阈值为 3，当评分大于 3 分则说明用户喜欢该项目，反之则说明用户不喜欢该项目。将这四种推荐算法按照式3.20 的召回率评价指标在不同最近邻居数的情况下绘制的召回率(Recall)折线图如图 3.4 所示。
【参考文献】
相关期刊论文 前5条
1 鲁晓霞;周忠和;;一种基于SOA的智慧应用建设探讨[J];物联网技术;2015年07期
2 陈建飞;;智慧社区移动互联网O2O服务平台应用探究[J];通讯世界;2015年10期
3 张屹;;基于信任社区的电子商务推荐模型[J];无线互联科技;2014年08期
4 麻风梅;王刚;;基于用户社区的商品推荐方法[J];计算机与数字工程;2013年08期
5 王平;任荣;付蔚;谭刚;;基于Hibernate数据性能优化方法的研究[J];广东通信技术;2013年08期
相关硕士学位论文 前8条
1 杨玲;基于SSH框架的新闻采编系统的设计与实现[D];北京交通大学;2017年
2 王强;基于协同过滤的个性化推荐算法研究及系统实现[D];西南交通大学;2017年
3 乔俞豪;基于物联网的智慧社区管理系统研究[D];中北大学;2017年
4 吴桐;面向智慧社区的个性化健康信息服务的应用研究[D];北京交通大学;2017年
5 黄媛媛;基于云技术的智慧社区服务系统的研究[D];杭州电子科技大学;2017年
6 倪殟波;个性化推荐在智慧社区中的研究与应用[D];南昌大学;2016年
7 吴世良;协同过滤算法在LBS社区服务系统中的研究及应用[D];北京邮电大学;2014年
8 原霞飞;基于人工免疫算法的电子商务推荐系统的研究[D];山东师范大学;2011年
本文编号：2747701
本文链接：https://www.wllwen.com/guanlilunwen/yunyingzuzhiguanlilunwen/2747701.html
最近更新
教材专著
