论文部分内容阅读
随着社会的发展,人员流动性增强,通过网络进行租赁房屋和房产买卖的情况在快速增加。部分传统的网络房屋租赁和售卖系统对上传的房屋图片的室内场景没有优化,图片不清晰,严重影响了房屋在网络平台的展示;另外,一些网络平台在推荐系统中没有很好地解决数据稀疏问题,导致推荐效果不佳。基于上述出现的问题,本文通过对当前租房行业的调研和分析,研究并开发了基于室内场景图像增强的房屋交易推荐系统的方案。本文的主要工作如下:(1)提出了一种小样本的FRDSP-YOLOv3(Few-show Retinex Dark Net based on S3Pool)的室内场景识别。对背景干扰问题采取了随机空间采取池化(S3POOL)的下采样方法,以此保留特征图的空间信息;使用Retinex图像增强的方式解决了因设备拍摄的角度以及光线等因素造成的室内场景目标识别不佳的情况,提高了对室内场景识别的能力。实验结果表明,在室内场景识别任务中准确率为93%,召回率为80%。(2)针对在传统协同算法中出现的数据稀疏问题,本文提出了user B-CF推荐算法,即考虑了点击率、用户浏览时间、购买记录、浏览记录和评价等行为的推荐算法。利用用户聚类的方式,先计算出用户在簇中的近邻用户,再根据近邻用户的评分对用户未评分的物品进行评分预测,解决了数据的稀疏导致精度不高的问题。(3)设计开发了基于室内场景图像增强的房屋交易推荐系统的架构方案。系统采用了Spring Boot和Vue框架进行设计与实现。系统由用户网站、管理员后台服务组成,其中用户网站包括了房源查找,房源发布和投诉等模块,后台的服务实现了用户管理、租房管理、售房管理和投诉管理等模块。