0


基于Spark的智能餐饮推荐系统报告(只含部分代码)

**1 **基本信息

1.1** **系统名称

基于Spark的智能餐饮推荐系统

1.2** 开发运行环境**

Linux: Ubuntu 14.04

MySQL: 5.7.16

Hadoop: 2.7.1

Hive: 1.2.1

Sqoop: 1.4.6

Spark: 2.1.0

Eclipse: 3.8 (注意:Eclipse 3.8是一个较旧的版本,考虑使用更新版本)

ECharts: 3.4.0

1.3** **使用的核心技术

Spark大数据分析框架

MLlib机器学习库

MySQL数据库管理系统

Hadoop生态系统(HDFS, YARN等)

Hive数据仓库

Sqoop数据导入导出工具

ECharts数据可视化库

  1. 系统功能设计

本系统旨在通过大数据分析,为用户提供个性化的餐饮推荐。通过分析用户的饮食偏好、历史记录等信息,结合餐饮商户的菜品、评价等数据,为用户提供精准、及时的推荐服务。

2.1系统总体功能

本系统旨在通过大数据分析,为用户提供个性化的餐饮推荐。通过分析用户的饮食偏好、历史记录等信息,结合餐饮商户的菜品、评价等数据,为用户提供精准、及时的推荐服务。

2.2系统模块详细设计

2.2.1 数据预处理功能模块

对原始数据进行清洗、转换、整合等预处理操作

为后续的数据分析和推荐算法提供规范、统一的数据格式

2.2.2 推荐算法功能模块

推荐算法功能是基于python机器学习库实现的,旨在通过分析用户的历史行为和偏好,以及餐饮商户的菜品、评价等信息,为用户提供个性化的餐饮推荐。该功能采用了协同过滤(Collaborative Filtering)算法,包括用户-用户(User-User)协同过滤和物品-物品(Item-Item)协同过滤,以确保推荐的准确性和多样性。

2.2.3 ECharts功能模块

ECharts 是一个使用 JavaScript 实现的开源可视化库,可以生成各种类型的图表,包括折线图、柱状图、散点图、饼图等。在智能餐饮推荐系统中,ECharts 可以用于展示用户行为数据、菜品销售数据、用户评价等,帮助餐饮管理者直观地了解餐厅的运营情况和用户偏好。

2.3数据库设计(使用E-R图或者三线表)

用户表:存储用户基本信息(如ID、姓名等)

菜单表:存储菜单(编号、菜品名)

  1. 系统实现

3.** 数据预处理功能实现**

3.1.1 功能描述

数据预处理功能在智能餐饮推荐系统中扮演着至关重要的角色。它负责清洗、转换、整合从各种数据源中收集到的原始数据,以确保数据的质量和一致性,为后续的数据分析和推荐算法提供规范、统一的数据格式。

数据清洗:去除重复、缺失或异常的数据记录,处理格式不一致的数据字段。

数据转换:将数据从原始格式转换为适合分析的格式,例如将字符串类型的日期转换为日期格式,将文本型的评价转换为数值型评分等。

数据整合:将来自不同数据源的数据整合到一起,形成完整的数据集,以便进行统一的分析和处理。

3.1.2 核心代码

第1步:读取数据

val path = "/home/hadoop/Meal.json"

val df = spark.read.json(path)

df.printSchema()

df.createOrReplaceTempView("data")

spark.sql("select userid, mealid, rating, review from data").show(5)

第2步:数据探索

scala

spark.sql("select count(*) as records from data").show()

spark.sql("select count(distinct userid) as users from data").show()

第3步:按日期分组统计数据分布

scala

val dataWithDate = spark.sql("select *, (From_Unixtime(reviewtime, 'yyyy-MM-dd')) as reviewdate from data")

dataWithDate.createOrReplaceTempView("dataWithDate")

第4步:查询最新评分记录

scala

val lastRating = spark.sql("select userid, mealid, MAX(reviewtime) as lastdate from data group by userid, mealid")

lastRating.createOrReplaceTempView("lastRatingPair")

val lastRatingRecord = spark.sql(

  """select a.userid, a.mealid, a.rating, a.reviewtime

     from data a

     join lastRatingPair b

     on a.userid = b.userid and a.mealid = b.mealid and a.reviewtime = b.lastdate"""

)

lastRatingRecord.createOrReplaceTempView("lastRatingRecord")

第5步:数据去重和排序

// 将DataFrame转换为RDD

val ratingrdd = lastRatingRecord.rdd.map(row =>

  (row.getAs[String]("userid"), row.getAs[String]("mealid"), row.getAs[Double]("rating"), row.getAs[Long]("reviewtime"))

)

// 对mealid进行编码

val mealzipcode = ratingrdd.map(_._2).distinct.sortBy(x => x).zipWithIndex.map(a => (a._1, a._2.toInt))

// 对userid进行编码

val userzipcode = ratingrdd.map(_._1).distinct.sortBy(x => x).zipWithIndex.map(a => (a._1, a._2.toInt))

// 将编码结果收集到Map中

val userzipcodemap = userzipcode.collect().toMap

val mealzipcodemap = mealzipcode.collect().toMap

// 将原始数据中的userid和mealid替换为编码后的值,并按时间排序

val ratingcodelist = ratingrdd.map {

  case (userid, mealid, rating, reviewtime) =>

    (userzipcodemap(userid), mealzipcodemap(mealid), rating, reviewtime)

}.sortBy(_._4)

第6步:数据集分割

val totalnum = ratingcodelist.count()

val splitpoint1 = (totalnum * 0.8).toInt

val splitpoint2 = (totalnum * 0.9).toInt

3.1.3 运行截图

第1步:读取数据

第2步:数据探索

第3步:按日期分组统计数据分布

第4步:查询最新评分记录

第5步:数据去重和排序

第6步:数据集分割

3**.2 推荐算法功能实现**

3.2.1 功能描述

推荐算法功能是基于python机器学习库实现的,旨在通过分析用户的历史行为和偏好,以及餐饮商户的菜品、评价等信息,为用户提供个性化的餐饮推荐。该功能采用了协同过滤(Collaborative Filtering)算法,包括用户-用户(User-User)协同过滤和物品-物品(Item-Item)协同过滤,以确保推荐的准确性和多样性。

3.2.2 核心代码

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.metrics.pairwise import linear_kernel

import chardet

def detect_encoding(file_path):

    with open(file_path, 'rb') as f:

        result = chardet.detect(f.read())

        return result['encoding']

user_item_file = 'userzipcode.csv'

menu_file = 'meal_list.csv'

user_item_encoding = detect_encoding(user_item_file)

menu_encoding = detect_encoding(menu_file)

user_item_data = pd.read_csv(user_item_file, encoding=user_item_encoding)

menu_data = pd.read_csv(menu_file, encoding=menu_encoding)

# 后续流程...

# 3.合并用户评价数据和菜品名称数据

data = pd.merge(user_item_data, menu_data, left_on='MealID', right_on='mealID')

# 4.加载训练数据

train_data, test_data = train_test_split(data, test_size=0.2, random_state=42)

# 5.加载推荐模型

tfidf = TfidfVectorizer(stop_words='english')

train_tfidf_matrix = tfidf.fit_transform(train_data['Review'])

# 6.计算余弦相似度

cosine_sim = linear_kernel(train_tfidf_matrix, train_tfidf_matrix)

# 7.为用户推荐菜品

def get_recommendations(user_id, num_recommendations):

    # 获取用户的所有评价记录

    user_reviews = train_data[train_data['UserID'] == user_id]

    if user_reviews.empty:

        return "User not found or has no reviews."

    # 获取用户最后一次评价的菜品索引

    user_last_review_index = user_reviews.index[-1]

    # 计算与用户最后一次评价的菜品的相似度

    sim_scores = list(enumerate(cosine_sim[user_last_review_index]))

    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)

    # 获取前num_recommendations个最相似的菜品的索引

    sim_scores = sim_scores[1:num_recommendations+1]

    meal_indices = [i[0] for i in sim_scores]

    # 返回最相似的菜品名称

    return train_data.iloc[meal_indices]['meal_name']

# 示例:

user_id = 'A2WOH395IHGS0T'  # 请根据实际数据中的UserID进行更改

num_recommendations = 5

recommended_items = get_recommendations(user_id, num_recommendations)

print("Recommended Items for User", user_id)

for item in recommended_items:

    print(item)

3.2.3 运行截图

3**.3 **ECharts功能实现

3.3.1 功能描述

ECharts 是一个使用 JavaScript 实现的开源可视化库,可以生成各种类型的图表,包括折线图、柱状图、散点图、饼图等。在智能餐饮推荐系统中,ECharts 可以用于展示用户行为数据、菜品销售数据、用户评价等,帮助餐饮管理者直观地了解餐厅的运营情况和用户偏好。

3.3.2 核心代码

Jsp代码:

<%@ page language="java" import="dbtaobao.connDb,java.util.*" contentType="text/html; charset=UTF-8"

    pageEncoding="UTF-8"%>

<%

ArrayList<String[]> list = connDb.index();

%>    

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">

<html>

<head>

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

<title>ECharts 可视化分析餐饮推荐</title>

<link href="./css/style.css" type='text/css' rel="stylesheet"/>

<script src="./js/echarts.min.js"></script>

</head>

<body>

<div class='header'>

        <p>ECharts 可视化分析餐饮推荐</p>

    </div>

    <div class="content">

        <div class="nav">

            <ul>

                <li class="current"><a href="#">不同星级菜品消费对比</a></li>

                <li><a href="./index1.jsp">菜品消费是否推荐对比</a></li>

                <li><a href="./index2.jsp">部分菜品消费数量对比</a></li>

                <li><a href="./index3.jsp">销售前五的菜品</a></li>

            </ul>

        </div>

        <div class="container">

            <div class="title">不同星级菜品消费对比</div>

            <div class="show">

                <div class='chart-type'>饼图</div>

                <div id="main"></div>

            </div>

        </div>

    </div>

<script>

//基于准备好的dom,初始化echarts实例

var myChart = echarts.init(document.getElementById('main'));

// 指定图表的配置项和数据

option = {

         backgroundColor: '#2c343c',

         title: {

             text: '不同星级菜品消费对比比例图',

             left: 'center',

             top: 20,

             textStyle: {

                 color: '#ccc'

             }

         },

         tooltip : {

             trigger: 'item',

             formatter: "{a} <br/>{b} : {c} ({d}%)"

         },

         visualMap: {

             show: false,

             min: 80,

             max: 600,

             inRange: {

                 colorLightness: [0, 1]

             }

         },

         series : [

             {

                 name:'消费行为',

                 type:'pie',

                 radius : '55%',

                 center: ['50%', '50%'],

                 data:[

                  {value:<%=list.get(0)[1]%>, name:'2'},

                     {value:<%=list.get(1)[1]%>, name:'3'},

                     {value:<%=list.get(2)[1]%>, name:'4'},

                     {value:<%=list.get(3)[1]%>, name:'5'},

                 ].sort(function (a, b) { return a.value - b.value}),

                 roseType: 'angle',

                 label: {

                     normal: {

                         textStyle: {

                             color: 'rgba(255, 255, 255, 0.3)'

                         }

                     }

                 },

                 labelLine: {

                     normal: {

                         lineStyle: {

                             color: 'rgba(255, 255, 255, 0.3)'

                         },

                         smooth: 0.2,

                         length: 10,

                         length2: 20

                     }

                 },

                 itemStyle: {

                     normal: {

                         color: '#c23531',

                         shadowBlur: 200,

                         shadowColor: 'rgba(0, 0, 0, 0.5)'

                     }

                 },

                 animationType: 'scale',

                 animationEasing: 'elasticOut',

                 animationDelay: function (idx) {

                     return Math.random() * 200;

                 }

             }

         ]

     };

// 使用刚指定的配置项和数据显示图表。

myChart.setOption(option);

</script>

</body>

</html>

Java代码:

package dbtaobao;

import java.sql.*;

import java.util.ArrayList;

public class connDb {

    private static Connection con = null;

    private static Statement stmt = null;

    private static ResultSet rs = null;

    //连接数据库方法

    public static void startConn(){

        try{

            Class.forName("com.mysql.jdbc.Driver");

            //连接数据库中间件

            try{

                con = DriverManager.getConnection("jdbc:MySQL://localhost:3306/dbtaobao","root","123456");

            }catch(SQLException e){

                e.printStackTrace();

            }

        }catch(ClassNotFoundException e){

            e.printStackTrace();

        }

    }

    //关闭连接数据库方法

    public static void endConn() throws SQLException{

        if(con != null){

            con.close();

            con = null;

        }

        if(rs != null){

            rs.close();

            rs = null;

        }

        if(stmt != null){

            stmt.close();

            stmt = null;

        }

    }

    //数据库双11 所有买家消费行为比例

    public static ArrayList index() throws SQLException{

        ArrayList<String[]> list = new ArrayList();

        startConn();

        stmt = con.createStatement();

        rs = stmt.executeQuery("SELECT `action`, COUNT(*) AS num\n"

         + "FROM `user_log`\n"

         + "GROUP BY `action`\n"

         + "ORDER BY num DESC;\n"

         + "");

        while(rs.next()){

            String[] temp={rs.getString("action"),rs.getString("num")};

            list.add(temp);

        }

            endConn();

        return list;

    }

    //男女买家交易对比

        public static ArrayList index_1() throws SQLException{

            ArrayList<String[]> list = new ArrayList();

            startConn();

            stmt = con.createStatement();

            rs = stmt.executeQuery("SELECT gender, COUNT(*) AS num\n"

             + "FROM user_log\n"

             + "GROUP BY gender\n"

             + "ORDER BY gender DESC;\n"

             + "");

            while(rs.next()){

                String[] temp={rs.getString("gender"),rs.getString("num")};

                list.add(temp);

            }

            endConn();

            return list;

        }

        //男女买家各个年龄段交易对比

        public static ArrayList index_2() throws SQLException{

            ArrayList<String[]> list = new ArrayList();

            startConn();

            stmt = con.createStatement();

            rs = stmt.executeQuery("SELECT gender, age_range, COUNT(*) AS num\n"

             + "FROM user_log\n"

             + "GROUP BY gender, age_range\n"

             + "ORDER BY gender DESC, age_range DESC;\n"

             + "");

            while(rs.next()){

                String[] temp={rs.getString("gender"),rs.getString("age_range"),rs.getString("num")};

                list.add(temp);

            }

            endConn();

            return list;

        }

        //获取销量前五的商品类别

        public static ArrayList index_3() throws SQLException{

            ArrayList<String[]> list = new ArrayList();

            startConn();

            stmt = con.createStatement();

            rs = stmt.executeQuery("SELECT cat_id, COUNT(*) AS num\n"

             + "FROM user_log\n"

             + "GROUP BY cat_id\n"

             + "ORDER BY COUNT(*) DESC\n"

             + "LIMIT 5;\n"

             + "");

            while(rs.next()){

                String[] temp={rs.getString("cat_id"),rs.getString("num")};

                list.add(temp);

            }

            endConn();

            return list;

        }

    //各个省份的总成交量对比

    public static ArrayList index_4() throws SQLException{

        ArrayList<String[]> list = new ArrayList();

        startConn();

        stmt = con.createStatement();

        rs = stmt.executeQuery("select province,count(*) num from user_log group by province order by count(*) DESC");

        while(rs.next()){

            String[] temp={rs.getString("province"),rs.getString("num")};

            list.add(temp);

        }

        endConn();

        return list;

    }

}

3.1.3 运行截图

4.总结体会

通过本系统的设计与实现,我深刻体会到了大数据和机器学习在智能推荐领域的应用价值。在实际开发过程中,我遇到了许多挑战,如数据清洗的复杂性、推荐算法的优化等。但通过不断的学习和实践,我逐渐掌握了相关技术,并成功实现了系统的各项功能。未来,我将继续深入研究大数据和机器学习领域,探索更多可能的应用场景。

5.附录


本文转载自: https://blog.csdn.net/weixin_66547608/article/details/139717312
版权归原作者 张謹礧 所有, 如有侵权,请联系我们删除。

“基于Spark的智能餐饮推荐系统报告(只含部分代码)”的评论:

还没有评论