论文部分内容阅读
摘要：目前，旅游业已成为全球经济中发展势头最强劲和规模最大的产业之一，互联网的兴起给旅游业带来了新的契机。旅游网站逐渐成为旅游信息管理的主要途径。因此，开发一个稳定的适用性好的旅游景点个性化服务系统具有非常重要的意义。在对现有旅游查询网站的分析和比较的基础上，依循面向对象软件开发过程，设计出客户端基于Web浏览器、协同过滤算法，服务器端基于JSP和Servlet，数据源基于关系型数据库的三层框架，完成JSP页面设计、服务器端核心请求的处理以及对数据库的同步更新。以旅游景点个性化服务系统的应用实例实现了这个方案。该系统可以实现旅游景点热门推荐、景点搜索、个性化推荐、旅游笔记等功能。系统工作稳定、操作简单、维护方便。
关键词：旅游景点;协同过滤算法;个性化服务系统
现代社会已经步入了信息社会的世界。随着互联网的广泛应用，计算机技术、计算机网络技术、数据库技术、管理技术的发展，对信息的处理和利用已经深入到各行各业，已经深入到人类生活中的各个方面。旅游是人们丰富多彩生活的重要组成部分之一，旅游业已经成为当今世界上发展势头最强劲的产业之一，它是集吃、住、行、游、购、娱六大要素于一身的综合性产业。随着旅游业的不断发展，各个地方的旅游竞争也越来越激烈，为了吸引游客，越來越多的地方注重发展本地的旅游网路平台，通过互联网这个开放的窗口展示着自己独特的魅力。
中国是优秀的旅游国家，甲骨文和周易的故乡，红旗渠精神的诞生地。更应该让大家所了解。
本着这样的目的，结合中国旅游资源的实际情况和旅游发展的实际需求，开发了一个旅游景点个性化服务系统，以此希望促进中国旅游业的发展。本系统将要依循面向对象软件开发过程，设计出客户端基于WEB浏览器、协同过滤算法，服务器端基于JSP和Servlet，数据源基于数据库的三层架构，采用MVC结构，完成JSP页面设计、服务器端请求的处理以及对数据库的同步更新。该系统可以实现游客分类查询中国风景、路线信息、路线预定，在线选购物品和结账。系统管理员查询、修改、删除和添加交通、线路、风景和产品信息。系统工作稳定、操作简单、维护方便。
通过分析了一些国内：
1>用户的注册与登录模块
2>旅游线路模块外的旅游网站和根据国内旅游者的习惯，设计了旅游景点个性化服务系统的功能模块和业务流程。
3>中国旅游资源模块
4>热门推荐模块
5>个性化推荐模块
6>管理员模块
通过该旅游系统，实现了旅游资源网络化，可以更好的宣传中国旅游资源。
MVC全名是Model View Controller，是模型（model）-视图（view）-控制器（controller）的缩写，一种软件设计典范，用于组织代码用一种业务逻辑和数据显示分离的方法，这个方法的假设前提是如果业务逻辑被聚集到一个部件里面，而且界面和用户围绕数据的交互能被改进和个性化定制而不需要重新编写业务逻辑MVC被独特的发展起来用于映射传统的输入、处理和输出功能在一个逻辑的图形化用户界面的结构中。
通过这种方案，我们可以迅速地实现整个业务，其优势和特点如下：
Model（模型）层：由JavaBean来实现，将具体的业务封装在Bean内部，具备安全、高性能、可重用等优秀的特征。
View（视图）层：由JSP页和HTML标签组成。这一层次的主要特点是和客户交互，进行动态页面的展示。同时可以方便地进行客户端的个性化定制。根据每个客户的需求来展示不同内容的界面。
Controller（控制器）层：这一层是将View和Model的这两层进行最大限度分离的工具。可以由Servlet来实现，Servlet和JSP虽然同样都属于页面展示工具，但分属两层。主要在于JSP以脚本语言的形式存在， 它的主要优势是进行动态数据的Web展示，而Servlet是一个完整的Java程序，进行业务的调用和流程的处理，由于Servlet控制页面跳转速度很快，所以作为控制器可以最大限度发挥它的优点。
通过这种模型的建立，我们的应用系统具备了非常好的性能和可扩展性。将业务组件和展示页面进行分离，并通过Controller来描述调用关系，一方面可以提高效率，另一方面也可以增加系统扩充的能力，使我们的系统可以进行最快速度的业务扩展，以满足不同用户、不同阶段、各种各样的业务需求。
基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜欢（如商品购买，收藏，内容评论或分享），并对这些喜好进行度量和打分。根据不同用户对相同商品或内容的态度和偏好程度计算用户之间的关系。在有相同喜好的用户间进行商品推荐。简单的说就是如果A，B两个用户都购买了x，y，z三本图书，并且给出了5星的好评。那么A和B就属于同一类用户。可以将A看过的图书w也推荐给用户B。
协同过滤算法总结：
优点：
1.能够过滤机器难以自动内容分析的信息，如艺术品，音乐等。
2.共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
3.有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。可以发现用户潜在的但自己尚未发现的兴趣偏好。
4.推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习的速度。
缺点：
1.系统开始时推荐质量较差;
2.质量取决于历史数据集;
3.稀疏性问题（Sparsity）;
4.系统延伸性问题（Scalability）;
关键词：旅游景点;协同过滤算法;个性化服务系统
现代社会已经步入了信息社会的世界。随着互联网的广泛应用，计算机技术、计算机网络技术、数据库技术、管理技术的发展，对信息的处理和利用已经深入到各行各业，已经深入到人类生活中的各个方面。旅游是人们丰富多彩生活的重要组成部分之一，旅游业已经成为当今世界上发展势头最强劲的产业之一，它是集吃、住、行、游、购、娱六大要素于一身的综合性产业。随着旅游业的不断发展，各个地方的旅游竞争也越来越激烈，为了吸引游客，越來越多的地方注重发展本地的旅游网路平台，通过互联网这个开放的窗口展示着自己独特的魅力。
中国是优秀的旅游国家，甲骨文和周易的故乡，红旗渠精神的诞生地。更应该让大家所了解。
本着这样的目的，结合中国旅游资源的实际情况和旅游发展的实际需求，开发了一个旅游景点个性化服务系统，以此希望促进中国旅游业的发展。本系统将要依循面向对象软件开发过程，设计出客户端基于WEB浏览器、协同过滤算法，服务器端基于JSP和Servlet，数据源基于数据库的三层架构，采用MVC结构，完成JSP页面设计、服务器端请求的处理以及对数据库的同步更新。该系统可以实现游客分类查询中国风景、路线信息、路线预定，在线选购物品和结账。系统管理员查询、修改、删除和添加交通、线路、风景和产品信息。系统工作稳定、操作简单、维护方便。
通过分析了一些国内：
1>用户的注册与登录模块
2>旅游线路模块外的旅游网站和根据国内旅游者的习惯，设计了旅游景点个性化服务系统的功能模块和业务流程。
3>中国旅游资源模块
4>热门推荐模块
5>个性化推荐模块
6>管理员模块
通过该旅游系统，实现了旅游资源网络化，可以更好的宣传中国旅游资源。
MVC全名是Model View Controller，是模型（model）-视图（view）-控制器（controller）的缩写，一种软件设计典范，用于组织代码用一种业务逻辑和数据显示分离的方法，这个方法的假设前提是如果业务逻辑被聚集到一个部件里面，而且界面和用户围绕数据的交互能被改进和个性化定制而不需要重新编写业务逻辑MVC被独特的发展起来用于映射传统的输入、处理和输出功能在一个逻辑的图形化用户界面的结构中。
通过这种方案，我们可以迅速地实现整个业务，其优势和特点如下：
Model（模型）层：由JavaBean来实现，将具体的业务封装在Bean内部，具备安全、高性能、可重用等优秀的特征。
View（视图）层：由JSP页和HTML标签组成。这一层次的主要特点是和客户交互，进行动态页面的展示。同时可以方便地进行客户端的个性化定制。根据每个客户的需求来展示不同内容的界面。
Controller（控制器）层：这一层是将View和Model的这两层进行最大限度分离的工具。可以由Servlet来实现，Servlet和JSP虽然同样都属于页面展示工具，但分属两层。主要在于JSP以脚本语言的形式存在， 它的主要优势是进行动态数据的Web展示，而Servlet是一个完整的Java程序，进行业务的调用和流程的处理，由于Servlet控制页面跳转速度很快，所以作为控制器可以最大限度发挥它的优点。
通过这种模型的建立，我们的应用系统具备了非常好的性能和可扩展性。将业务组件和展示页面进行分离，并通过Controller来描述调用关系，一方面可以提高效率，另一方面也可以增加系统扩充的能力，使我们的系统可以进行最快速度的业务扩展，以满足不同用户、不同阶段、各种各样的业务需求。
基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜欢（如商品购买，收藏，内容评论或分享），并对这些喜好进行度量和打分。根据不同用户对相同商品或内容的态度和偏好程度计算用户之间的关系。在有相同喜好的用户间进行商品推荐。简单的说就是如果A，B两个用户都购买了x，y，z三本图书，并且给出了5星的好评。那么A和B就属于同一类用户。可以将A看过的图书w也推荐给用户B。
协同过滤算法总结：
优点：
1.能够过滤机器难以自动内容分析的信息，如艺术品，音乐等。
2.共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
3.有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。可以发现用户潜在的但自己尚未发现的兴趣偏好。
4.推荐个性化、自动化程度高、能够有效的利用其他相似用户的回馈信息、加快个性化学习的速度。
缺点：
1.系统开始时推荐质量较差;
2.质量取决于历史数据集;
3.稀疏性问题（Sparsity）;
4.系统延伸性问题（Scalability）;