毕设所有选题：
https://blog.csdn.net/2303_76227485/article/details/131104075
基于Java+Springboot+vue3+协同过滤推荐算法的传统服饰文化平台(源代码+数据库+任务书+12000字论文)
项目编号：253
一、系统介绍
本项目前后端分离(可以改为ssm版本)，分为用户、管理员2种角色。
1、用户：
- 注册、登录、服饰推荐(点赞、收藏、评论、租借、归还)、社区讨论、文化解说视频、客服咨询、我的订单、支付、订单评价、我的收藏、个人信息、密码修改
2、管理员：
- 首页大屏数据统计：服饰总数、订单总数、服饰类型饼状图、租赁次数柱状图、销售额折现图统计
- 服饰管理、类型管理、订单管理、评价管理、论坛管理、管理员管理、用户管理、轮播图管理、文化解说管理、客服咨询管理、日志管理、菜单管理
3、亮点：
- 使用协同过滤推荐算法推荐服饰，基于用户已收藏服饰，推荐相似用户感兴趣的服饰
- 使用aop切面和注解实现操作日志记录
二、所用技术
后端技术栈：
- Springboot
- mybatisPlus
- Mysql
- Maven
前端技术栈：
- Vue3
- Vue-router
- axios
- elementPlus
- echarts
三、环境介绍
基础环境 :IDEA/eclipse, JDK1.8, Mysql5.7及以上, Maven3.6, node14, navicat
所有项目以及源代码本人均调试运行无问题 可支持远程调试运行
四、页面截图
文档截图：
1、用户：
2、管理员：
五、浏览地址
- 用户账号密码：zhangsan/123456
- 管理员账户密码：admin/admin
六、部署教程
-
使用Navicat或者其它工具，在mysql中创建对应名称的数据库，并执行项目的sql文件
-
使用IDEA/Eclipse导入server_code项目，若为maven项目请选择maven，等待依赖下载完成
-
修改application.yml里面的数据库配置,src/main/java/com/SpringbootSchemaApplication.java启动后端项目
-
vscode或idea打开client_code后台项目
-
在编译器中打开terminal，执行npm install 依赖下载完成后执行 npm run serve,执行成功后会显示访问地址
-
vscode或idea打开manage_code后台项目
-
在编译器中打开terminal，执行npm install 依赖下载完成后执行 npm run serve,执行成功后会显示访问地址
七、协同过滤部分代码
java
public class UserBasedCollaborativeFiltering {
private Map<String, Map<String, Double>> userRatings;
private Map<String, List<String>> itemUsers;
private Map<String, Integer> userIndex;
private Map<Integer, String> indexUser;
private Long[][] sparseMatrix;
public UserBasedCollaborativeFiltering(Map<String, Map<String, Double>> userRatings) {
this.userRatings = userRatings;
this.itemUsers = new HashMap<>();
this.userIndex = new HashMap<>();//辅助存储每一个用户的用户索引index映射:user->index
this.indexUser = new HashMap<>();//辅助存储每一个索引index对应的用户映射:index->user
// 构建物品-用户倒排表
int keyIndex = 0;
for (String user : userRatings.keySet()) {
Map<String, Double> ratings = userRatings.get(user);
for (String item : ratings.keySet()) {
if (!itemUsers.containsKey(item)) {
itemUsers.put(item, new ArrayList<>());
}
itemUsers.get(item).add(user);
}
//用户ID与稀疏矩阵建立对应关系
this.userIndex.put(user,keyIndex);
this.indexUser.put(keyIndex,user);
keyIndex++;
}
int N = userRatings.size();
this.sparseMatrix=new Long[N][N];//建立用户稀疏矩阵，用于用户相似度计算【相似度矩阵】
for(int i=0;i<N;i++){
for(int j=0;j<N;j++)
this.sparseMatrix[i][j]=(long)0;
}
for(String item : itemUsers.keySet()) {
List<String> userList = itemUsers.get(item);
for(String u1 : userList) {
for(String u2 : userList) {
if(u1.equals(u2)){
continue;
}
this.sparseMatrix[this.userIndex.get(u1)][this.userIndex.get(u2)]+=1;
}
}
}
}
public double calculateSimilarity(String user1, String user2) {
//计算用户之间的相似度【余弦相似性】
Integer id1 = this.userIndex.get(user1);
Integer id2 = this.userIndex.get(user2);
if(id1==null || id2==null) return 0.0;
return this.sparseMatrix[id1][id2]/Math.sqrt(userRatings.get(indexUser.get(id1)).size()*userRatings.get(indexUser.get(id2)).size());
}
public List<String> recommendItems(String targetUser, int numRecommendations) {
// 计算目标用户与其他用户的相似度
Map<String, Double> userSimilarities = new HashMap<>();
for (String user : userRatings.keySet()) {
if (!user.equals(targetUser)) {
double similarity = calculateSimilarity(targetUser, user);
userSimilarities.put(user, similarity);
}
}
// 根据相似度进行排序
List<Map.Entry<String, Double>> sortedSimilarities = new ArrayList<>(userSimilarities.entrySet());
sortedSimilarities.sort(Map.Entry.comparingByValue(Comparator.reverseOrder()));
// 选择相似度最高的K个用户
List<String> similarUsers = new ArrayList<>();
for (int i = 0; i < numRecommendations; i++) {
if (i < sortedSimilarities.size()) {
similarUsers.add(sortedSimilarities.get(i).getKey());
} else {
break;
}
}
// 获取相似用户喜欢的物品，并进行推荐
Map<String, Double> recommendations = new HashMap<>();
for (String user : similarUsers) {
Map<String, Double> ratings = userRatings.get(user);
for (String item : ratings.keySet()) {
if (userRatings.get(targetUser)!=null && !userRatings.get(targetUser).containsKey(item)) {
recommendations.put(item, ratings.get(item));
}
}
}
// 排序推荐物品
LinkedHashMap<String, Double> sortedRecommendations = new LinkedHashMap<>(recommendations);
// 取前N个推荐物品
int numItems = Math.min(numRecommendations, sortedRecommendations.size());
sortedRecommendations = sortedRecommendations.entrySet()
.stream()
.sorted((Map.Entry.<String, Double>comparingByValue().reversed())).limit(numItems)
.collect(Collectors.toMap(Map.Entry::getKey, Map.Entry::getValue, (e1, e2) -> e1, LinkedHashMap::new));
List<String> result = new ArrayList<String>();
result.addAll(sortedRecommendations.keySet());
return result;
}
}