基于大数据用户行为数据分析系统的设计和实现

摘  要

这个项目是基于大数据用户行为分析系统采用C/S.结构，首页实时连接到后台，也实时连接数据库。选择MySQL数据库，选择MySQL数据库。作为一个不收费的数据库，它是我们目前最喜欢的，内存占用较小，从而也时的许多公司也是选择的MySQL数据库。集群搭建选择的是Hadoop。注册和登录部分采用spring MVC 框架，因为它的网站采用了CSS、div和JS的组合来设计一个动态、美观的网站，推荐部分通过Map Reduce从集群中拿到数据做数据挖掘，经过Map Reduce作业处理过的数据最后写入数据库中。在大数据时代，Hadoop和Spark更受欢迎；Hadoop是用来分析离线数据的。Spark可以实时分析数据。另一项技术是storm。它还可以实时分析数据，但稳定性不够，因此不采用。

关键词：推荐商品；C/S结构；MySQL数据库；JSP

 

ABSTRACT

This project is based on the big data user behavior analysis system, which adopts the C / S structure. The home page is connected to the background in real time and also to the database in real time. Select MySQL database and select MySQL database. As a toll free database, it is our favorite at present, with small memory consumption. Therefore, many companies also choose MySQL database. Hadoop is selected for cluster construction. The registration and login part adopts the spring MVC framework, because its website adopts the combination of CSS, div and JS to design a dynamic and beautiful website. The recommended part obtains the data from the cluster through map reduce for data mining, and the data processed by map reduce is finally written into the database. More popular in the era of spark and Hadoop; Hadoop is used to analyze offline data. Spark can analyze data in real time. Another technology is storm. It can also analyze data in real time, but it is not stable enough, so it is not used.

Keywords: Recommendation System; C/S structure; MySQL database;JSP

目  录

摘  要............................................................ II

1 绪  论........................................................... 1

1.1研究背景...................................................... 1

1.2研究意义...................................................... 1

1.3研究现状...................................................... 2

1.4研究内容...................................................... 2

1.5论文结构...................................................... 3

2 相关技术与方法说明............................................... 4

2.1架构概述...................................................... 4

2.2有关技术简介.................................................. 4

2.3开发工具和环境以及运行........................................ 4

3 系统分析......................................................... 6

3.1系统功能分析.................................................. 6

3.2用户管理示例图................................................ 6

3.3推荐模块实现.................................................. 7

3.4购物车模块实现................................................ 8

3.5数据库设计.................................................... 8

3.6数据库表...................................................... 8

4 系统详细设计.................................................... 11

4.1用户登录和注册模块........................................... 11

4.1.1用户登录................................................. 11

4.1.2用户注册................................................. 13

4.2系统主页设计................................................. 15

4.3推荐模块的设计............................................... 16

4.4购物车模块的设计............................................. 18

5 系统测试........................................................ 20

5.1系统测试叙述................................................. 20

5.2测试用例..................................................... 20

5.2.1用户注册模块............................................. 20

5.2.2用户登录模块............................................. 20

5.2.3推荐模块................................................. 21

5.2.4购物车模块............................................... 21

5.3测试分析..................................................... 22

6 总结与展望...................................................... 23

参考文献.......................................................... 24

致 谢............................................................. 25

1 绪  论

1.1研究背景

目前人类已经不可以在脱离互联网了。现在人类已经足不出户就能够购买东西、闲聊、购买。从现在来看，推荐系统非常流行，可以广泛应用于各个方面，所以我们必须要抓住创造新科技。不过，由于推荐操作系统的普及，素养意识。针对选择方法的鲁棒性，方法通常有二个。通过发展大数据分析技术是未来开发的必然趋势，但是现在还没有实现。

在国外，机器学习的方法已经非常完善，所以我们与他们之间还有着相当的距离。在国内很多大企业利用机器学习建立自身体系包括阿里、字节跳动、今日头条等。传统选择，这些都正在慢慢被抛弃。大数据时代背景下，这方面的研究方向是很有意义的，也是今后时代的选择。

现在，推介管理系统(Recommend System)在电商中是一种很火的使用，它首先是用来协助我们去找到我们有机会感兴趣的东西，而具有这种功能的管理系统就叫做个性化推荐管理系统；涵盖到日常生活中的方方面面，同样的也有某些影片或者录像网址，比如YouTube；像中国境内的豆瓣广播电台。这些都是通过平时我们在网络浏览留下了的数据然后进行推荐我们感兴趣的内容以及商品，包括物品或者是类似于我们之前浏览过的电影等。这一操作还是非常有必要的，也是在这个大数据时代背景下衍生的新的处理数据方式。

1.2研究意义

利用自己制作的这个系统，也期望能够在购物的时候为我们提供便利，时间长了对网络产生依赖这样就不能要求你自己在实体商店里亲自选购商品了，也耗费了精力,而现在的系统就能够解决这问题。帮助我们能够更快的购买到我们需要或者是与之前购买商品有联动的商品，从而大大减少了我们日常网络购物的时间提高的精准性，得出的结论是本篇幅介绍了该系统在国外取得的进展和目前国内外的现状，但是在国内传统tag选择[1]，并介绍了该系统一旦实施，将极大地提高购物人群的效率。对此也是本系统做出了的意义所在，通过在学校学习的知识来完善一个作品并且对我们生活上还有着不小的帮助也是一份完美的答卷。对此我花了大量的时间对数据导入和数据分类处理的操作，理论上是是可以完成大量数据的处理以及通过算法后，对不同用户进行推荐处理。但是目前看来这是一个非常具有挑战的项目，但是这也是它的意义所在。

1.3研究现状

完成了基于大数据分析的产品推广平台的研发和设计，当用户经过申请登陆后进入到平台首页，用户即可选择产品，并将所有经过申请登陆，也同样地都要选择产品，选择算法的鲁棒性[2]，之后再在界面上将数据库系统里的信息内容全部展现出来，这样操作系统就能够更有效的为此客户选择产品，而客户也就能够更便捷的挑选自己所需求的商品。登录的用户还可以进行加入购物车等操作，然后最近进行结算处理。就叫做个性化推荐管理系统[3]，整体过程大致就这些。具体实现起来可能会有些困难。在进一步对系统进行完善以及测试。但是整体功能还是非常完善，目前也是跑通了整个系统。对数据的处理还只是能够少量的分析没有作压力测试这块，因为想着不会涉及到大量用户使用仅作为一个试验的效果来完成这一目标。

目前数据商品推荐这块已经得到完善，系统可通过用户购买商品记录计入数据然后通过Map Reduce从集群中拿到数据做数据挖掘，经过Map Reduce作业处理过的数据最后写入数据库中。具体操作为将挖掘数据转化为用户向量然后计算共现矩阵生成用户评分矩阵，最后通过添加共现矩阵和用户评分矩阵获得结果。整个课件完成过程还是非常复杂以及技术上的难点，还留有部分问题需要后续加以完善并增加系统可塑性。

1.4研究内容

通过分析与目标用户相似的浏览数据行为，从而分析出目标的行为，使其达到精准推送数据的目的。具体实现过程为当使用者在系统选择产品后，用户产生的数据包括，加入购物车的商品以及推荐给用的商品，首先我们就会将选择记录存储在MySQL数据库里，接着我们提取使用者所选择产品的历史记录，通过系统的算法推算出各商品间的相识以及作用相识来进行判断，给当前登录者推荐类似于猜你喜欢的商品样式，最终推广至用户选择记录，进行分类和推荐。这样就可以按照不同人购物的习惯来进行精确的推荐。还有就是用户登录后的隐身脱敏问题目前还没有想到办法解决，还存在部分安全问题，在获取到用户注册信息后未做加密处理，后续会增加一下这方面隐私脱敏以及安全性能问题。主要想完成对导入数据经过算法矩阵的处理吗，通过推荐赛算法实现商品推荐的过程。这方面的研究是当下大数据时代，最能够减轻我们上网浏览产生的数据累计。从而减轻我们系统的内存压力，将以一种数据面向兴趣的定向选择。

1.5论文结构

本文的结构排布如下：

第1章阐述了该课题国内外研究背景，以及当下自己研究现状和大致内容的介绍，以及该课题的价值所在。

第2章是对有关技术的说明，主要介绍了在本课题的实现过程中用到的相关技术和系统的开发（软/硬）件环境以及用到的开发工具并对其进行简单的介绍。

第3章是系统分析，简单的描述的系统中的数据来源以及数据挖掘的过程与实现，对整个系统做了详细的分析介绍。

第4章介绍了系统的详细，对系统的整体设计做出了详细的说明，各页面实现的截图以及运行效果预计效果的展示，还包括一下部分难点代码截图。

第5章详细说明了系统测试过程，全流程进行了功能测试以及接口测试，编写了详细的测试用例并用表格形式展现，并对测试结构附有截图。

第6章是简单的总结了一下系统的优缺点以及创新点，并对该课题系统进行一定的优化建议和对未来的展望策划。

2 相关技术与方法说明

2.1架构概述

本章重点讲述了复杂系统设计所必须的基本语言和技术，当然还有计算机的基本设置。以及部分系统构架方法和实现，各相关技术的简单介绍。本系统采用Java Spring MVC[4]架构，如图2-1所示：

图2-1   SM功能原理图

2.2有关技术简介

>Java：Java编程语言面向对象开发技术，容纳C++优势，同时抛弃承类指针类型,功用巨大。从而使得开发者可以用非常优雅的思维去完成非常复杂的设计。

>Hadoop：它一个很大的好处，是人们可以在完全不知道分布式底层具体环节如何进行的前提下，去设计分布式的流程，并使之运用集群的优点实现更高速的计算与储存。将其部署到相对低廉的硬件上也是合理的，Hadoop中最重要核心的构架涉及为：HDFS分布式档案管理和Map Reduce作业管理。正是用来运算海量的数据消息。

>JSP：JSP将Java代码和特定变动内容嵌入到静态的页面中，实现以静态页面为模板，动态生成其中的部分内容，本系统就是使用Java开发XML，封装动态逻辑。

2.3开发工具和环境以及运行

硬件环境

本地电脑：微星

处理器：Intel(R) Core(TM) i5-7200U

硬盘：1T

内存：64G

软件环境

采用C/S构架，使用Java Spring MVC构架

开发平台：Eclipse

操作系统：Ubuntu16-04

数据库服务器：MySQL

项目运行环境用到的软件

Eclipse

MySQL ( 身份验证 用户名：root 密码：1325)

tomcat 8.0

Hadoop集群

maven

项目部署运行

1.搭建Hadoop集群，先用maven把推荐模块项目打成jar包，用yarn jar x.jar com.zwj.recommend.Start-Job 运行。

2.将数据库文件添加进MySQL：右击左侧项目栏数据库文件，选择附加MDF文件，选择确定则数据库导入成功。

3.导入项目进Eclipse：file-->import-->General-->Existing project into

Workspace，选择项目源程序目录并导入。

4.部署项目到tomcat服务器：选中项目并且添加tomcat8.0服务器

5.启动tomcat8.0

6.打开浏览器，访问项目HTTP://local host:8080/RP即可使用系统。

 

3 系统分析

3.1系统功能分析

系统是基于大数据分析的推荐网址，是一种电商务平台，客户能够在上面去选购产品，类似于京东、淘宝等一些电子商务平台，整体系统构架如下图3-1所示：                                                                                                                      

图3-1  推荐系统的整体架构

对应用对象进行了推介，推介可信度高，由于它与普通的介绍管理系统的推介计算不太相同，我的推介计算都是使用Hadoop技术写的，用Hadoop高吞吐量多次输入大数据分析，也能用JDBC将推介结果写到MySQL。经过需求分析，开发出主要有：用户登录/注册、推荐模块包，针对性设计介绍[5]以及购物车。

3.2用户管理示例图

用户信息管理结果图如下图3-2所示：

图3-2  用户信息管理结构图

用户登录实例图如下图3-3所示：

图3-3 用户登录用例图

用例说明：要求需要输入准确填写账号与对应的密码，然后点击登录，涉众利益是作为消费者。备选事件流：如果输入账号和密码错误，将显示“账号和密码出错”使用此系统，需要首先登录,并拥有账号和密码，用户在注册信息以后，可以对用户注册个人信息进行修改。

3.3推荐模块实现

介绍操作系统的核心便是推介计算，只有将推介计算写完了，我们的介绍操作系统也就实现了一大零点五，下面我们就介绍推介计算如何写的，它的过程又是如何的复杂如何的复杂。面对每一位使用者都可以利用推荐计算求出产品间的共现矩阵[6]那么产品与使用者间就会有一种亲近度,亲近度越大，就表明了这种产品如果你很想购买，这就实现了推广。为了更好的理解,接下来我们将整个流程都图画了过来,如图3-4所示：

图3-4 推荐算法流程图

3.4购物车模块实现

建立购买车数据库模块，我们先要建设一个购买车的表到只是将产品的数量已经保存在数据库中，接下来再在前台通过页面显示出来。其流程如图3-5 所示：

图3-5 购物车流程图 

3.5数据库设计

我们要明确会使用什么表格，然后再将这些都一一建立起来，例如：user表，product表，cart(购物车)表，以及推荐表。概念设计图如下图3-6所示

图3-6 用户和购物车的依赖关系图

3.6数据库表    

系统中使用到数据库基本如下表3-1所示。

表3-1系统数据库表

用户表：用户表的设计字段如下图表3-2所示：

表3-2用户表

购物车：用户可以将物品添加至购物车，其字段如下图表3-3所示：

表3-3购物车

商品表：商品表用于存储商品，主要用于库存查询，具体字段如图表3-4所示：

表3-4商品表

推荐表：推荐表单用于存储我们需要为特定用户推荐的提供商，具体字段如图表3-5所示：

表3-5推荐表

本章重点是管理系统进行了整体的描述与需求设计，简要的阐述了所有模组的流程是什么样的，并配有图文解说，作了全面的阐述，很深入也很完整，所有模组均有讲解。首先从操作系统的登陆与备案功能开始，接着就是推荐方法模板，对推荐方法进行了简单的讲解，接着才是购物车模块，用图片说明了购物车的设置方法和基本原理是如何的，尤其是在数据库设置的时候，对每个表里都作了详尽的讲解，而且对每个文本字段的解释，都非常详尽，另外是对每张图表的使用。以及对表内的数据进行储存处理，为之后对数据计算到达推荐的目的。

4 系统详细设计

4.1用户登录和注册模块

4.1.1用户登录

功能描述：认证不顺利后将永远无法踏入操作系统，而我制作的注册页面设计非常有动感，用户体验性也非常强。使用者经过注册就能够有归属你自己的用户名和密码。这里我们要注意用户名的唯一性。用户名必须是移动电话号码，而秘密则需要六到十二个数码或者字母,然后接下来是注册按键，从注册网页就能够切换到注册网页，再接下来是注册和重置按钮，重置含义为空。更多详细信息可以在注册页面上找到如图4-1所显示：

图4-1用户登录界面

实现的流程：提醒你如果录入了有误，请立刻再次录入，才能做出实时判定。单击注册按钮，界面信息将会透过监听器获知，随后网页将所有信息发到了平台，接着平台调用user Login()的方式，注册出错如图4-2所示：

图4-2登录失败页面

检验所有用户名和口令都是不是正确的以及错误是不是出现，user Login()方法包装在Hash Map里，而后到数据库中去查寻所有用户名和口令都是不是正常，完成代码以下如截图4-3所示:

图4-3查询用户名口令是否正常

      

在用户登录过程中，用户输入注册的用户名和密码，系统验证用户名和密码，若验证不通过则会提示错误然后返回到重新输入用户名/密码，验证通过则进入主页面，登录完成，图如下图4-4所示：

图4-4用户登录流程图

4.1.2用户注册

功能描述：登陆的前提条件是要完成登陆，所以登陆的时候要注意以下几个，当然你也可能在主页上通过单击登陆按键，登陆网页上就有了登陆按键，但无论如何都需要首先完成登陆，申请网页实现方式如下图4-5所示：

图4-5 用户注册界面

实现流程：采用了CSS/DIV，J Query设计，弹窗表明你的录入方式错误了，请重新再次录入，才能做出实时判定。输入正确,单击注册按键，界面结果将会通过监听器得知，随后界面将所有数据信息被发送到后台，后台调用unerring（）将所有用户名和机密传递给用户名兼容性评估方法两次。登陆错误界面，5秒钟后自行跳转到登录界面中完成注销，登陆错误的结果图如图注册失败结果图如图4-6所示：

图4-6注册失败页面

后台包含数据库中的用户名和密码代码如截图4-7所示：

图4-7数据库中用户名和密码

      在用户注册流程中，开始输入要注册的用户名和密码。系统会检查你的用户名和密码。要是输入的用户名/密码不符合要求，将提示错误并返回以重新输入用户名/密码，验证通过则写入数据库完成注册。图如下图4-8所示：

图4-8 用户注册流程图

4.2系统主页设计

用户只有在注册页面注册成功后才能登录到此操作系统的主页,运行结果图如图中4-9所显示：

图4-9系统主界面

在这个主页上，使用者能够清晰的查看产品类型，挑选自己感兴趣的产品类别，能够非常便捷的购买。

网页上方首先是获取到了用户名，然后将他展示在了网页上，紧接下来是安全性结束按键，单击此按键后就可安全结束了，上面最后展示的是我的联络方法：有问题可联络我啊！

往下就产品类型了，如果点击手机按钮，会出现不同品牌的对应手机，运行效果图如图中4-10：

图4-10分类页界面

特价商品让人一眼就有一种清晰的感觉，非常方便人们购买。

4.3推荐模块的设计

推荐算法原理：介绍该算法的基本原理是共线矩阵。由于便于解释，我们首先假设推荐系统有六个用户。这里我们将其表示为一个集合u={U1，U2，U3，U4，U5，U6}，然后我们还需要对对象进行聚合。在这个对象聚合中，我们假设有七个元素。如下表4-1所示：

表4-1用户和商品的矩阵

然后我们再将评分越高的东西介绍给使用者，这就实现了推荐。而问题是我们又如何才能够预测这些评价呢，预测方式大体上可分成二类，这种方法是根据使用者的协同过滤算法，使用是第2种协同过滤器(item Base)[8]。

Item Base推荐算法[9]最直接就是如果使用者休伯特喜爱物件p1，使用者u二则喜爱物件p2，如果p一与p二价格非常接近，然后，我们介绍之前在U2从Hubert购买的产品，或者直接介绍之前在U1从Hubert购买的产品。Item base推荐算法主要基于用户购买数据；这篇文章描述的是：使用者休伯特喜爱物件p1，而使用者u二则喜爱物件p2，假设使用者休伯特与使用者u二兴趣相同,然后我们就将物件p一介绍给使用者u2，将物件p二介绍给使用者休伯特。下图中4-11是一个物品的协同过滤的原理图：

图4-11基于物品的协同过滤原理图

具体实施

第一步:转换为用户向量

1[10002:0.2，10003:0.2，10004:0.3]：显示您感兴趣的内容列表以及对产品偏好的评论。

2[10001:0.2，10002:0.7，10005:0.9]：显示其他用户最感兴趣的内容列表，包括他对产品的喜爱评价。

3[10002:0.2，10003:0.7，10004:0.2]：显示第三个用户最感兴趣的内容的布局，并且他对产品的喜爱评价。

第二步：计算共现矩阵

直白地讲，是把同时喜欢同一东西p一和p二的用户数人构成了一组矩阵，如下表4-2所示：

表4-2共线矩阵

第三步：生成用户评分矩阵，如图表4-3所示：

表4-3评分矩阵

第四步：通过添加共现矩阵和用户评估矩阵获得的结果如图表4-4所示：

表4-4推荐结果矩阵

项目运行结果图如图4-12所示：

图4-12个性推荐界面图

4.4购物车模块的设计

购物车采用前端收集凡是商品数据，就插入背景，然后添加到MySQL。最后，前端收集MySQL中的所有数据，并将其显示在网站上。系统结果如图4-13所示。

图4-13 购物车界面图

5 系统测试

5.1系统测试叙述

系统测试是整个测试阶段最重要的技术问题，也是非常重要的问题，测试作为一个产品上线最后的一道防线，所以为了提升系统测试的效果，并减少试验的成本，我准备了对本系列的系统测试，将采用最典型的黑箱法系统设计试验以及功能测试，之后我使用白盒方法来补充一些方法，以达到最佳的测试效果。在黑盒测试系统的设计中，我使用了等价性分析技术，即所有可能性（合法和非法）的输入数据都可以分为以下等价类型，在下面的提要中详细介绍了这些类型。

5.2测试用例

5.2.1用户注册模块

首先对新用户注册后进行测试，测试用例以表格形式呈现，情况如下表5-1所示：

表5-1用户注册

5.2.2用户登录模块

用户登录功能进行了测试,测试用例以图表呈现出来，结果如下表5-2所示：

表5-2用户登录测试表

5.2.3推荐模块

对推荐模块进行测试，测试用例以表格形式呈现，测试结果如下表5-3所示：

表5-3推荐模块测试表

5.2.4购物车模块

对购物车模块做了测试，首先验证是否可以正常进入系统，测试是否能够使用购物车，执行商户加入购物车操作，实现加入购物车操作，执行删除商品操作，实现商品删除成功，执行结算操作，实现结算成功。测试结果如图下表5-4所示：

表5-4购物车模块测试表

5.3测试分析

该系统已经经过了很多次测试，目前集群运作基本正常[11]。结果分析：目前这个平台网站是可以顺利运营并可以取得预期成效，并且可以实现向用户推送产品还是让我感觉挺有成就感的。但是与市面上的绝大多数电商平台是无法对比的，现在系统还是存在很多漏洞，比如系统推荐的结果准确度受历史数据的干扰，或者由于数据源过小等一系列问题等着后续优化，我使用正则Java表达式[12]来实现这个函数。所以我还会不断查找资料,完善自己的作品将它变更成一个迷你版类似于京东、某宝的小型购物电商平台，后续会将系统进行逐步完善。经过自己的不断测试，集群的搭建我建议使用Hadoop，我想在Hadoop集群[13]中也发现其中的乐趣缺陷也是很致命，它不使用MD五[15]的方法来保密所以也是后续优化它的动力，之后会不断的尝试不断引入更多数据更多的技术到本系统来。

6 总结与展望

个性化推荐是针对每个用户的，因此推荐的商品就是用户感兴趣的商品，有大于等于96.6%的准确性，根据用户平时上网阅览的习惯，根据大数据分析识别与统计，最终获得结果。

系统实现了购物车，网络购物等功能,一个必要的工件,可以选择和收集,购物车可以比较商品和商品应该一目了然，所以人们使用购物篮或购物的功能非常方便。系统采用spring MVC框架，非常方便，易于理解。为了识别用户名，我使用了推荐系统的登录模块。注册用户时出错，并提示其手机号码已注册。以及为了确定正确的用户名，该系统的关键部分是数据推荐。用户通过购买商品记录计入数据，Map Reduce从集群是拿到数据做数据挖掘，然后通过MySQL数据库的JDBCAPI,然后通过web页面显示,优点是易于理解,Hadoop开源免费，方便人们学习，在线学习资料。Hadoop解决各种数据的特长是乐观、T级数据挖掘没有阻力。系统非常适宜、动态感丰富。系统的设计具有针对性的，所以用户可以看到他们想买什么，更好的用户体验和更简单的操作。

操作系统使用的数据处于脱机状态，因此必须运行。系统中用户所有数据信息均未脱敏处理，安全性能还有待进一步提高。推荐操作系统的健壮性与冷启动问题还是存在的。现在录入系统数据还是比较单一，比较少量从而导致推荐无法做到精准推荐。后续会做一些持续的优化。

问题1：数据库中存储的用户密码。没有进行特殊的加密操作。用户的密码会出现在数据库中，但很容易泄露。对于安全考虑，请尝试尽可能增加密码。我们还希望通过MD五加密技术来保持机密性。问题2：系统本身有一个强大的问题，对建议结果产生了负面影响很大。解决方法：一般有两种解决方案。其中一种方法是在攻击测试后在转诊系统中查找攻击，然后减少或减少对推荐系统攻击的损害。另一种方法是设计相对强的推荐算法。问题3：由于技术的影响，提案系统可以补充线下数据，分析线下数据，为客户提供正确的建议。解决方案：我将继续探索大数据分析数据，掌握大数据分析技术并将在后来继续改善系统。

参考文献

[1]  徐浩.移动情景感知的实时推荐技术研究[D].国防科学技术大学 2015.

[2]  王宏宇.商务推荐系统的设计研究[D].中国科学技术大学 2007.

[3]  蔡浩,贾宇波,黄成伟.结合用户信任模型的协同过滤推荐方法研究[J].计算机工程与

     应用,2010年35期.

[4]  刘龙.一个能实现个性化实时路径推荐服务的推荐系统框架[D].中国科学技术大

     学,2014.

[5]  赵亮,胡乃静,张守志.个性化推荐算法设计[J].算机研究与发展,2002年08期.

[6]  殷风景.个性化信息推荐中若干关键问题与技术研究[D].国防科学技术大学 2014.

[7]  王珊,萨师炫.《数据库系统概论》(第三版).北京:高等教育出版社.2002：45-99.

[8]  彭德巍,胡斌.一种基于用户特征和时间的协同过滤算法[J].武汉理工大学学报,2009

     年03期.

[9]  胡亮.集成多元信息的推荐系统建模方法的研究[D]. 上海交通大学 2015.

[10]  孙卫琴,李洪成.《Tomcat 与 JSP Web 开发技术详解》.电子工业出版社,2003年6月：

      56-78.

[11]  甘冈. Linux/UNIX 网络编程[M].北京：中国水利水电出版社，2008:43-224.

[12]  孙一林,彭波.《Java数据库编程实例》. 清华大学出版社.30-210.

[13]  TomWbite.Hadoop权威指南[M].清华大学出版社,2015：54-100.

[14]  方睿,刁仁宏,吴四九.网络数据库原理及应用[M].成都：四川大学出版社,2005。

[15]  王珊,陈红.数据库系统原理教程[M].北京:清华大学出版社,2004-6：56-10