二手车交易平台的设计与实现(SSM)开题报告

1.结合毕业设计(论文)课题情况,根据所查阅的文献资料,每人撰写不少于1500字左右的文献综述:

一、选题背景和目的

二、文献综述

对比国内外二手车发展现状,我们可以看到在美国,二手车销量远远超过新车销量。最近的十年间,在美国新车的年成交量大约为1600万辆,但二手车的年成交量却达到4000万辆。在日本,新车的年成交量大约为600万辆,但二手车年成交量却高达850万辆。日本可以更有效的保护消费者权益,原因在于其有150多家汽车拍卖会,对二手车的评估制度相对完善[2]。

反观中国,虽然二手车业务处于刚起步的阶段,市场规模较小,但市场发展的速度很快,发展的潜力巨大[3]。据目前统计,全球最大的新车市场是中国,而在不远的未来,最大的二手车市场也会是中国。截至2017年底,我国汽车保有量约有2.17亿的汽车保有量,而且根据预测在2018年,这个数值的增长率将会超过10%,也就是说,在2018年中国汽车保有量会提升至2.39亿辆。按目前的保有量增长水平,以及政府放宽限迁等政策。根据预测,在2018年,中国汽车保有量析出率将会达到6.7%。按照这个比例计算,我国二手车交易量在2018年将会达到1600万辆,而这个数值还会继续增长,在2020年,交易量将超过2000万辆。

本课题使用java语言开发,采用SSM框架,B/S模式,运用MVC模式的设计思想,使用MySQL数据库进行存储,Web服务器采用Tomcat+Apache,并辅以JavaScript脚本语言开发前端。

SSM框架指Spring、SpringMVC、Mybatis。

Spring框架的架构由七个模块构成。Spring模块的构建基于核心容器,其定义了创建以及管理bean的方式[4]。

Spring框架的功能不但可以用在J2EE服务器中,而且在大多数不受管理的情况其功能也适用。Spring的核心是:对于不绑定到特定J2EE服务的可重用业务与数据访问对象也支持。也就是说,在不同独立应用程序、J2EE环境以及测试环境之间,这样的对象也可以重用。

Springboot作为Spring中的一个全新的框架,被用来简化Spring应用程序的创建和开发过程,也就是说Springboot简化了我们之前采用的SSM(SpringMVC+Spring+Mybatis)框架,更简便的进行开发[11]。

以前,我们釆用SpringMVC+Spring+Mybatis框架进行开发的时候,需要提前做许多准备工作去搭建和整合框架,如配置web.xml,配置Spring和Mybatis,最后再将它们整合在一起。而Springboot框架的出现,前所未有的颠覆了这个开发过程,取消了复杂的配置过程,取而代之的是,用默认配置来进行开发。

综上所述,釆用Springboot框架能够非常简便而又迅速地创建基于Spring框架的应用程序,这样就使得编码、配置、部署和监控等步骤都简单化了。

通过xml和注解的方式,Mybatis将要各种sql语句进行有序结合,然后通过Java对象和statement中的sql语句映射后,最终生成sql语句[13]。最后再由Mybatis框架执行sql语句,将生成的结果映射成Java对象并返回。

Mybatis提供了基于Java的缓存实现方式。HashMap还提供了一系列的连接器,能够集成Ehcahe,OSCache,Memcached以及Hazelcast。Mybatis还为插入其它高速缓存提供了应用程序接口。

最后本课题的亮点功能是智能推荐算法。

目前已有的推荐算法很多,如协同过滤算法和基于内容的协同过滤算法。

协同过滤推荐算法的主要功能是推荐与预测。这个算法是通过对用户以往的行为进行跟踪,形成数据后,以此为根据通过数据挖掘来发现用户的偏好,基于不同用户的不同偏好,对用户进行划分,为同组用户推荐相似的产品[15]。

协同过滤推荐算法大体分为两类:基于用户的协同过滤算法(user-basedcollaborativefiltering)和基于物品的协同过滤算法(item-basedcollaborativefiltering)。

协同过滤算法的优点是需要最小域,不需要用户和项,大部分场景能够产生足够好的结果。但缺点也很明显,比如冷启动问题,需要标准化产品,需要很高的用户和项的比例,流行度偏见和难以提供解释。

此外还有一种基于内容的协同推荐,它的思想是给用户推荐和他之前喜欢的物品相似的物品。推荐步骤是首先计算物品的相似度,然后根据物品的相似度和用户的历史行为给用户生成推荐列表。

它在各方面的优缺点如下:

综上所述,我预计采用混合推荐算法,即综合利用协同过滤推荐算法和基于内容的推荐算法各自的优点来同时抵消各自的缺点。这样就没有冷启动问题,也没有流行度偏见,可推荐罕有特性的项。

三、参考文献

[1]于杰.二手车交易电子商务平台分析与设计[D].吉林大学.2010:7-8

[2]陈文胜,中国进口汽车贸易有限公司的实施分析,2009

[3]杨婉鳄,孔祥杰.探析中国二手车现状及未来的发展前景[J].时代农机,2016(12):75-75,82

[4]LuiM,GrayM,ChanA,etal.IntroductiontoCoreSpringFramework[j].2011.

[5]SoniRK.LearningSpringApplicationDevelopment[M].PacktPublishingLtd,2015

[6]CosminaI,HarropR,SchaeferC,etal.IntroducingSpringA0P[J].2017.

[7]SchaeferC,HoC,HarropR.IntroducingSpringA0P[M]//ProSpring.Apress,2014.

[8]MakG.SpringMVCFramework[M]//SpringRecipes.Apress,2008.

[10]GuptaP,GovilMC.SpringWebMVCFrameworkforrapidopensourceJ2EEapplicationdevelopment:acasestudy[J].InternationalJournalofEngineeringScience&Technology,2010,2(6)

[11]王永和,张劲松,邓安明,etal.SpringBoot研究和应用[J].信息通信,2016(10):91-94.

[12]张宇,王映辉,张翔南.基于Spring的MVC框架设计与实现[J].计算机工程,2010,36(4):59-62.

[13]HoC.UsingMyBatisinSpring[M]//ProSpring3.2012.

[14]GuoY,ChenM,WeiK.ResearchofRecyclingResourceWebsiteBasedonSpringandMyBatisFramework[M]//InformationTechnologyandIntelligentTransportationSystems.SpringerInternationalPublishing,2017.

[15]马宏伟,张光卫,李鹏.协同过滤推荐算法综述[J].小型微型计算机系统,2009,30(7):1282-1288.

[16]荣辉桂,火生旭,胡春华,etal.基于用户相似度的协同过滤推荐算法[J].通信学拫,2014(2).

[17]贾玉罡.基于物品的协同过滤算法的设计与测试[J].电脑迷,2018(7).

2.本课题要研究或解决的问题和拟采用的研究手段(途径):

一、本课题研究目标

本课题的研究是基于当下互联网技术的不断发展,而带来的人们消费购物方式的转变的大前提下为用户设计的方便快捷的二手车交易网站。将完成一个基于java语言开发,使用SSM框架的B/S模式下的二手车交易网站。使人们足不出户就可以查询到自己想要了解的二手车源信息。

二、关键技术和难点

本课题是做一个二手车平台交易网站。对系统的安全性要求和数据查询速度要求都很高,同时在完成基本功能的前提下,系统还增加了特色功能:二手车的智能推荐。

以上三点是该课题设计的关键点与难点。

(1)系统安全性:如何是系统运行更安全是所有系统设计时都该考虑的问题。系统中存放着大量敏感数据,若系统安全性问题得不到保证,则这些数据就会存在泄露与被随意篡改的风险。故在设计时应注意用户权限的设置。

(2)数据查询速度:速度问题是系统设计中的另一个关键问题。对数据的查询速度,如果太慢会影响用户的使用体验,并且如果大量请求查询堆积,会造成系统的崩溃。

(3)智能推荐:该功能是本课题的亮点功能,此项功能是系统通过对用户以往行为进行跟踪,生成针对该用户的数据后,通过数据挖掘来发现用户的理想产品,并向用户推荐商品。

三、现有的研究基础

四、实施方案

1、总体结构

本课题分为前台模块与后台模块两个大模块,下面是不同模块所完成的具体功能,如图4.1所示:

图4.1总体结构图

后台模块分为:汽车分类管理、汽车信息管理、汽车订单管理、用户信息管理;

2、各个模块详细设计与流程图

用户模块设计与功能拆分

(1)用户名与密码进行字段验证,提交给后端。

注册页面功能点:

(1)对用户名进行异步验证,检测用户名是否存在。

(2)注册信息提交做字段验证。

(3)注册成功/失败的处理:成功时进入结果页面:失败时,提示错误信息。

图4.2用户登陆与注册流程图

网站首页页面功能点:

推荐搜索关键字的快捷链接。

(1)活动展示的轮播图

(2)商品品牌展示

商品详情页页面功能点:

(1)商品信息的展示

(2)商品添加购物车

用户选购商品添加购物车流程图如图4.2所示:

图4.3用户选购车辆流程图

购物车模块设计与功能拆分

购物车页面功能点:

(1)购物车中的商品展示。

(2)修改购物车中商品数量。

(3)单选/全选商品。

(4)删除单个/多个购物车商品。

(5)购物车结算

订单模块设计与功能拆分:

订单确认页面功能点:

(1)收货地址的管理。

支付模块设计与功能拆分

支付页面功能点:

(1)选择支付方式。

(2)支付完成后,查看支付订单。

用户支付的流程图如图4.4所示:

图4.4用户支付流程图

管理员管理用户模块设计与功能拆分

用户管理页面功能点:

(1)用户信息的查询

(2)用户信息的修改

商品分类管理页面功能点:

(1)商品分类查看

(2)商品分类修改

管理员管理的流程图如图4.5所示

图4.5管理员管理流程图

管理员管理模块设计与功能拆分

商品数量管理页面功能点:

(3)商品的数量修改

(4)商品的上架与下架

订单管理页面功能点:

(1)订单的列表显示

(2)订单状态

管理员管理的流程图如图4.6所示

图4.6管理员管理流程图

特色功能的设计

本课题的亮点功能是智能推荐功能。此项功能是系统通过对用户以往行为进行跟踪,生成针对该用户的数据后,通过数据挖掘来发现用户的理想产品,并向用户推荐商品。

3、数据库设计

一个系统性能的强弱与数据库设计的好坏有密切关系,而数据库设计中实体联系模型是用来表示数据库系统结构的方法。它的思想是使用现有的数据库模型来表现出目前项目实体间所具有的显示关联。

二手车交易平台的用户以及管理员两部分总体E-R图如下图4.6以及图4.7所示:

图4.7用户部分总体E-R图

图4.8管理员部分总体E-R图

确定实体集

通过对二手车交易平台的需求分析可知,系统需要对用户信息、管理员信息、商品信息、购物车信息、订单信息等进行管理。在此基础上确定系统的基本实体集,具体如下:

(2)商品实体集:商品编号、商品名称、商品图片、商品价格。商品编码唯一表示实体集。

(3)购物车实体集:商品编码、商品名称、商品数量、商品价格、商品图片。商品编码唯一表示实体集。

五、可行性分析

1、操作可行性

该系统采用B/S模式,用户无需下载客户端软件,只需在浏览其输入网址即可,且该系统在一般浏览器上具有相似的操作界面,使用起来简单方便,一般人都可以很快上手,明白怎么操作。

2、技术可行性

该系统使用Java语言开发而且所采用的框架是目前趋于成熟,使用越来越广泛的SSM框架来进行开发,这些技术都比较容易上手而且都是开源的,使用方便,也没有法律权限方面的问题。

3、经济可行性

基于之前已经进行过其他项目的开发,所以开发本系统所需的软件都已配置完成,无需额外的经济开销,故在经济上可行。

THE END
1.基于协同过滤算法图书推荐系统的设计与实现.pdf论文题目:基于协同过滤算法的图书推荐系统的 设计与实现 摘要 随着网络和信息技术的飞速发展,电子图书资源的数量也在以惊人的速度增 长,越来越多的用户通过图书购买网站购买图书或在图书阅读网站上阅读电子书, 不管是网上购书还是网上读书都会面临一个相同的问题,如何从海量的图书资源 ...https://max.book118.com/html/2024/0217/7053136045006042.shtm
2.推荐系统协同过滤算法对物品 的评分, 表示用户 对所有物品的平均评分, 代表所有物品的集合。 最终用户 对物品 的评分计算公式如下,在获得用户 对不同物品的评价得分后,根据得分进行排序就得到推荐列表。其中, 表示用户 与用户 的相似度, 表示用户 对物品 的评分。 基于用户的协同过滤算法缺点:( ...https://www.jianshu.com/p/0023df43622a
1.基于物品的协同过滤有以下优缺点:一是计算每两个物品之间的相似度...非常好,你已经很清楚地总结了基于物品的协同过滤推荐算法的优缺点。 对于第一点缺点,确实计算每两个物品之间的相似度是比较耗费计算资源的,但是随着计算机硬件的不断提升,这个问题也逐渐得到缓解。此外,还有一些优化方法,如采用索引结构、分布式计算等技术,可以进一步提高计算效率。 对于第二点优点,的确通过物品相似度的...https://wenku.csdn.net/answer/7353edb6f9c9470faf978d2646be24fb
2.协同过滤算法的优缺点学术指导常用经验分享协同过滤是一种常用的推荐算法,通过分析用户的行为和兴趣,发现相似的用户群体,并基于这些群体推荐相应的物品或服务。协同过滤算法可以分为基于用户的协同过滤、基于物品的协同过滤和基于模型的协同过滤等几种类型。以下是对协同过滤算法的优缺点分析:优点:1. 用户为中心:协同过滤算法以用户行为和兴趣为基础,通过分析用户...http://m.editoressay.com/news/849021/
3.推荐算法理论(一):协同过滤腾讯云开发者社区至此, 基于用户的协同过滤算法原理介绍完毕。基于用户协同过滤算法的代码,由于篇幅原因,这里就不放了,感兴趣的可以参考我们的fun-rec项目[基于用户的协同过滤代码](fun-rec/UserCF.py at master · datawhalechina/fun-rec ·GitHub) 1.4优缺点 User-based算法存在两个重大问题: ...https://cloud.tencent.com/developer/article/1981069
4.基于协同过滤算法的安规考核系统试题推荐方法研究本文主要完成了以下内容:1.研究了基于用户的协同过滤算法和基于物品的协同过滤算法,比较两者在不同推荐系统中的应用情况,比较其优缺点。结合安规考核系统的实际情况采用基于物品的协同过滤算法实现本课题的研究,根据需求在数据库中设计用于保存用户-物品评分矩阵和物品-物品相似度矩阵的数据表。2.学习中文分词技术,收集...https://wap.cnki.net/touch/web/Dissertation/Article/10079-1019233359.nh.html
5.系列学习——推荐算法综述同基于用户的推荐相比,基于物品的推荐应用更为广泛,扩展性和算法性能更好。由于项目的增长速度一般较为平缓,因此性能变化不大。缺点就是无法提供个性化的推荐结果。 · 协同过滤算法总结 两种协同过滤:基于用户和基于物品两个策略中应该如何选择呢?其实基于物品的协同过滤推荐机制是Amazon 在基于用户的机制上改良的一种...https://maimai.cn/article/detail?fid=242703356&efid=xCTosL0-evQLVNwAlACgEw
6.八股2024春招八股复习笔记1(搜索推荐AIGC)**协同过滤算法主要有两种类型:基于用户的协同过滤和基于物品的协同过滤。 基于用户的协同过滤算法通过比较用户之间的行为模式和兴趣来进行预测。例如,如果用户A和用户B在过去都喜欢相似的物品,那么当用户A喜欢一个新物品时,系统可以推荐给用户B。 基于物品的协同过滤算法则通过比较物品之间的相似性来进行预测。例如,...https://www.skycaiji.com/aigc/ai13693.html
7.基于JAVA+SpringBoot+Vue+uniapp+协同过滤算法+爬虫+AI的减肥小程序协同过滤算法:协同过滤算法是一种基于用户历史行为数据的推荐算法,它通过对用户历史行为数据的挖掘发现用户的偏好,基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类,分别是基于用户的协同过滤算法和基于物品的协同过滤算法。 https://community.sslcode.com.cn/669734ea962e585a256334a3.html
8.基于门控循环单元与主动学习的协同过滤推荐算法( latent factor mod~ el? LFM) 算法有更高的短时预测率,召回率,项目覆盖率以及用户覆盖数?能够有效预测用户短时兴趣?提升精度?发掘长尾 物品?且与原始 GRU 模型相比能够以更少的迭代次数达到相同效果? 关键词:协同过滤?门控循环单元?主动学习?深度学习? 时序化数据 中图分类号:TP311...http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1890
9.协同过滤是不是深度学习协同过滤算法的缺点协同过滤是不是深度学习 协同过滤算法的缺点 1 前言 众所周知,协同过滤算法是完全没有利用到物品本身或者是用户自身的属性, 仅仅利用了用户与物品的交互信息就可以实现推荐,是一个可解释性很强, 非常直观的模型, 但是也存在一些问题。但是协同过滤当中依旧存在着很多问题。https://blog.51cto.com/u_16099243/10409184
10....该仓库尝试整理推荐系统领域的一些经典算法模型基于物品的协同过滤算法(ItemCF): 给用户推荐和他之前喜欢的物品相似的物品 筋斗云:AI上推荐之协同过滤 协同过滤的特点就是完全没有利用到物品本身或者是用户自身的属性, 仅仅利用了用户与物品的交互信息就可以实现推荐,是一个可解释性很强, 非常直观的模型, 但是也存在一些问题, 第一个就是处理稀疏矩阵的能力比较...https://github.com/zhongqiangwu960812/AI-RecommenderSystem
11.推荐系统推荐系统简介分类以及长尾问题推荐算法:基于物品的协同过滤算法 参考《推荐系统实践》项亮 概念:基于物品的协同过滤算法,优化算法 对比:用户协同过滤的优缺点 python编码实现 1,算法定义基于用户的协同过滤算法基于商品的协同过滤算法 适用场景 时效性较强,用户个性化兴趣不太明显的领域长尾物品丰富,用户个性化需求强烈的领域用户较少的场合:新闻推荐物...https://www.pianshen.com/article/85642112599/
12.LearningDevelopUnion/fun算法评估 由于UserCF和ItemCF结果评估部分是共性知识点, 所以在这里统一标识。 召回率 对用户 $u$ 推荐 $N$ 个物品记为 $R(u)$, 令用户 $u$ 在测试集上喜欢的物品集合为$T(u)$, 那么召回率定义为: $$ \operatorname{Recall}=\frac{\sum_{u}|R(u) \cap T(u)|}{\sum_{u}|T(u)|}...https://openi.pcl.ac.cn/Learning-Develop-Union/fun-rec/src/branch/master/docs/ch02/ch2.1/ch2.1.1/usercf.md
13.大数据课程学习总结6篇(全文)6.基于协同过滤的推荐机制 基于协同过滤的推荐(这种机制是现今应用最为广泛的推荐机制)——基于模型的推荐(SVM、聚类、潜在语义分析、贝叶斯网络、线性回归、逻辑回归)余弦距离(又称余弦相似度):表示是否有相同的倾向 欧几里得距离(又称欧几里得相似度):表示绝对的距离 这种推荐方法的优缺点: ...https://www.99xueshu.com/w/file4b7yhm88.html