分布式环境下以用户为中心的电子商务系统设计与实现

发布时间：2022-07-29 10:47

　　近年来,随着互联网技术的迅猛发展,各种形式的电子商务系统层出不穷。在实际应用中,系统用户规模随着业务扩展产生了海量的电子商务数据,传统的以集中式架构为主的电子商务系统已经很难满足目前海量电子商务数据存储与处理的要求。另外,面对大规模电子商务数据,信息过载成为一种常态,个性化推荐技术能够帮助用户从繁杂的数据中挖掘出有价值的信息。然而传统的个性化推荐技术运行于单机之上,受单机节点性能限制,无法快速有效处理海量电子商务数据,需要一个良好的数据处理平台来满足对海量电子商务数据的处理需求。为了解决上述问题,本文设计了一个采用分布式架构部署的以用户为中心的电子商务系统。本系统主要包括后台管理模块和前台管理模块,前台管理模块又单独划分为六个子模块,包括前台门户模块、搜索模块、会员与单点登录模块、购物车模块、订单模块以及个性化推荐模块,各个模块单独部署在独立的服务器上,通过接口调用。为了缓解数据库存储压力,后台管理模块部署单独的图片服务器用于存储商品图片数据,采用Nginx提供http服务和ftp提供商品图片上传服务。为了减少对数据库的查询次数,搜索模块中部署单独的Solr全文检索服务器,通过配置商品... 

【文章页数】：90 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文的研究内容
    1.4 本文的组织结构
第2章 相关工作
    2.1 电子商务系统架构模式
    2.2 聚类算法
        2.2.1 聚类算法概述
        2.2.2 K-means聚类算法
        2.2.3 CFSFDP聚类算法和KNN-CFSFDP聚类算法
    2.3 协同过滤推荐算法
        2.3.1 协同过滤推荐算法概述
        2.3.2 基于用户的协同过滤推荐算法
        2.3.3 基于项目的协同过滤推荐算法
        2.3.4 协同过滤推荐算法优缺点
    2.4 核心技术
        2.4.1 SSM开源框架技术
        2.4.2 Nginx技术
        2.4.3 Redis和Solr技术
        2.4.4 Hadoop技术
    2.5 本章小结
第3章 系统分析
    3.1 系统需求分析
        3.1.1 用户需求分析
        3.1.2 功能性需求
        3.1.3 非功能性需求
    3.2 系统可行性分析
    3.3 本章小结
第4章 系统设计
    4.1 系统架构设计
        4.1.1 系统总体框架设计
        4.1.2 系统功能结构设计
    4.2 后台管理模块设计
    4.3 前台门户模块设计
    4.4 搜索模块设计
    4.5 会员与单点登录模块设计
    4.6 购物车模块设计
    4.7 订单模块设计
    4.8 个性化推荐模块设计
        4.8.1 数据预处理
        4.8.2 基于Hadoop的K-means算法设计
        4.8.3 基于Hadoop的CFSFDP算法设计
        4.8.4 基于Hadoop的改进CFSFDP算法设计
        4.8.5 聚类算法性能对比实验
        4.8.6 组合协同过滤推荐
    4.9 数据库设计
        4.9.1 数据库概念结构设计
        4.9.2 数据库逻辑结构设计
    4.10 本章小结
第5章 系统实现
    5.1 系统开发环境
    5.2 系统模块功能实现
        5.2.1 后台管理模块功能实现
        5.2.2 前台门户模块功能实现
        5.2.3 搜索模块功能实现
        5.2.4 会员与单点登录模块功能实现
        5.2.5 购物车模块功能实现
        5.2.6 订单模块功能实现
        5.2.7 个性化推荐模块功能实现
    5.3 本章小结
第6章 系统测试
    6.1 测试目标和方法
    6.2 测试用例
        6.2.1 系统功能测试
        6.2.2 系统性能测试
    6.3 测试结果
    6.4 本章小结
第7章 工作总结与展望
    7.1 论文总结
    7.2 工作展望
致谢
参考文献
攻读学位期间发表的学术论文及参加科研情况


【参考文献】：
期刊论文
[1]基于加权K近邻的改进密度峰值聚类算法[J]. 杨震,王红军.  计算机应用研究. 2020(03)
[2]国内电子商务个性化推荐研究进展:核心技术[J]. 孙雨生,张晨,任洁,朱礼军.  现代情报. 2017(04)
[3]基于改进CURE算法的不确定性移动用户数据聚类[J]. 高长元,王海晶,王京.  计算机工程与科学. 2016(04)
[4]基于高斯过程的CLIQUE改进算法[J]. 向柳明,周渭博,钟勇.  计算机应用. 2015(S2)
[5]一种基于信任的协同过滤推荐模型[J]. 郑孝遥,鲍煜,孙忠宝,罗永龙.  计算机工程与应用. 2016(05)
[6]分布式搜索引擎的模型综述[J]. 钱立兵,季振洲.  智能计算机与应用. 2015(05)
[7]推荐引擎原理及发展综述[J]. 刘杨,杨明川.  电信技术. 2015(06)
[8]推荐系统研究进展[J]. 朱扬勇,孙婧.  计算机科学与探索. 2015(05)
[9]基于划分的聚类算法研究综述[J]. 贾瑷玮.  电子设计工程. 2014(23)
[10]互联网用户行为分析系统的设计和实现[J]. 杨晓,刘才铭,于军伟,余莎.  计算机光盘软件与应用. 2014(20)

博士论文
[1]电子商务协同过滤推荐质量影响因素及其改进机制研究[D]. 薛福亮.天津大学 2012

硕士论文
[1]基于密度的分布式聚类算法研究[D]. 梁铭霏.北京交通大学 2018
[2]一种基于密度和层次的聚类算法的研究[D]. 吴浩同.北京工业大学 2017
[3]基于大数据的电子商务个性化信息推荐服务模式研究[D]. 胡一.吉林大学 2015
[4]B2C电子商务系统的设计与实现[D]. 杜文慧.电子科技大学 2014
[5]安全电子商务网站的设计与实现[D]. 帕尔哈提·伊德力斯.厦门大学 2014
[6]基于BIRCH改进算法的文本聚类研究[D]. 仰孝富.北京林业大学 2013
[7]软件非功能需求层次模型研究[D]. 彭小玲.中南大学 2011
[8]基于STING与支持向量回归机的网络安全预警技术研究[D]. 梁玉翰.解放军信息工程大学 2008



本文编号：3666321