学海网

毕业设计-基于iOS的班级消息系统—服务器端社区管理及推荐模块设计与实现，共54页，22324字，附完整源代码、开题报告等
主要内容
1、功能说明
这次毕业设计我在小组中主要完成动态伙伴建立的算法的实现。在学习生活中我们很多人常常会遇到相似的问题，会有共同的爱好，会有同样的兴趣，基于这些我们日常生活中经常会看到的现象，我们想要设计一种算法，这种算法能够为用户识别出与之有共同兴趣爱好，有共同问题的用户群组，也就是我们所说的学习伙伴。我们将这个群组推荐给该用户，用户能够自主选择是否加入该群组。如果用户加入该群组，就能够与伙伴们共同学习、共同探讨、共同交流。同时该用户将与群组成员自动建立好友关系，能够享有某些特权，同时，将群组作为一个整体，我们可以提供一系列个性化服务，例如推荐群组用户可能感兴趣的项目或信息。当该用户退出讨论，这种好友关心自动解除，这也就体现出之前所说的动态性。
2、具体工作
为完成本次毕设，我需要对动态伙伴建立算法进行学习，其中可能要用到数据挖掘，决策分析等相关算法，同时还要完成服务器的搭建工作。
3、开发环境与工具
开发语言：Java语言
开发环境：Netbeans
数据库：SQLServer

摘要
近年来，随着移动芯片以及移动网络的快速发展，智能手机行业迅速兴起，特别是以苹果公司iPhone系列的热卖为标志，智能手机已经得到普及。随着移动终端的普及，移动社交网络快速发展起来。基于iOS的班级消息系统就是一个典型的移动社交网络应用。它体现了社交网络的基本概念，同时也结合当前的前沿技术，在社区推荐，好友推荐等方面提出了相应的解决方案。
本文所描述的系统实现了B/S和C/S模式，用户分为管理员和学生。管理员主要通过浏览器访问服务器，是B/S结构，学生主要通过iOS客户端访问服务器，是C/S结构。服务器端的实现主要基于SSH(Struts+Spring+Hibernate)框架，采用经典的MVC模式，规范了整个开发过程。
本文重点讲述了推荐模块的设计与实现。
在好友推荐部分，首先使用K-Means算法获得用户日志到兴趣点的映射，建立用户模型；然后使用余弦相似度计算方法，计算用户之间的相似程度；根据用户相似度的计算结果向用户推荐好友。
在社区推荐部分，主要运用朴素贝叶斯分类算法。把每个社区看作一个类别，社区日志看作训练集，用户的所有日志代表用户，使用朴素贝叶斯分类算法计算用户属于各个类别的可能性，将可能性高的社区推荐给用户。
关键词：SSH；推荐系统；K-Means算法；朴素贝叶斯算法 

Abstract
In recent years, with the rapid development of the phone chip and the mobile networks, the smartphone industry has risen rapidly, especially marked by the hot sale of iPhone, the smartphone has gained popularity. With the popularity of the mobile terminal, the SNS has developed rapidly. The class message system based on iOS is a typical MSNS application. Combined with current edge-cutting technologies, this system embodies basic conceptions of SNS and provides corresponding solutions to some issues for better user experience and service, including the recommendation of friends and communities.
The system described in this article is based on B/S mode and C/S mode, the users of this system are divided into two kinds that include student and administrator. The administrators access server mainly through the browser, it is B/S structure; the students access server mainly through the iOS client, it is C/S structure. The implementation of the server side adopts the popular SSH combination framework. It used the classic MVC mode and the development process is normed through framework technique.
The thesis mainly described the design and implementation of the recommendation module.
In the part of the recommendation of friends, I use the k-means algorithm to get she mapping of user diaries to the point of interest. Then, I established the user model. Next, I use the cosine similarity calculation method to calculation the similarity degree between users. At last, recommended friends to the users according to the user similarity calculation results.
In the part of the recommendation of communities, I mainly use the na?ve Bayes classifier algorithm. Firstly, I regarded each community as a category, the community diaries as training set, and the user’s diary as the user. Then I use na?ve Bayes classifier algorithm to calculate the possibility of the user belonging to each categories, and then recommend the high probability community to the users.
Keywords: SSH; Recommend System; K-Means Algorithm; Na?ve Bayes Classifier Algorithm

目录
1 绪论 1
1.1 研究背景 1
1.2 本文工作 2
1.3 文章组织结构 2
2 相关技术 3
2.1 框架技术 3
2.1.1 MVC设计模式 3
2.1.2 Struts2框架 3
2.1.3 Spring框架 5
2.1.4 Hibernate框架 6
2.2 推荐系统 7
2.2.1 推荐系统研究背景 7
2.2.2 推荐系统分类 8
2.2.3 个性化推荐系统常用方法 8
2.3 小结 10
3 系统总体设计 11
3.1 概述 11
3.2 推荐原理 11
3.3 系统功能模块设计 12
3.3.1  模块划分 12
3.3.2  社区管理模块设计 13
3.3.3  推荐模块设计 15
3.4 数据库结构 15
3.5 小结 16
4 社区管理模块的实现 17
4.1 概述 17
4.2 管理员部分的设计与实现 17
4.2.1 查看社区用例描述 17
4.2.2 系统框架 17
4.2.3 查看社区模型层实现 18
4.2.4 查看社区视图层实现 19
4.2.5 查看社区控制层实现 21
4.3 学生部分的设计与实现 21
4.3.1 概述 21
4.3.2 XML数据传输 22
4.3.3 学生部分视图层实现 22
4.4 小结 22
5 推荐模块的实现 24
5.1 用户模型的建立 24
5.1.1原理 24
5.1.2日志关键词提取 24
5.1.3 K-means聚类算法 25
5.1.4基于聚类的离线用户模型建立 27
5.2 好友推荐模块设计与实现 28
5.2.1 原理 28
5.2.2 用户相似度计算 28
5.2.3 好友推荐 29
5.3 社区推荐模块设计与实现 30
5.3.1原理 30
5.3.2分类 30
5.3.3 朴素贝叶斯（Na?ve Bayes）分类算法 31
5.4 小结 34
6 系统测试 35
6.1 测试策略 35
6.2 测试用例设计 35
6.3 测试结果 36
6.4 小结 36
7 实验结果 37
7.1 系统运行环境与技术支持 37
7.1.1 运行环境 37
7.1.2 技术支持 37
7.2 界面展示 37
7.2.1 管理员端界面 37
7.2.2 学生端界面 39
7.3 小结 40
8 结束语 41
8.1 总结 41
8.2 工作展望 41
致谢 43
参考文献 44

1.2 本文工作
本文为基于iOS班级消息系统的一个子系统，设计并实现了基于iOS班级消息系统中的社区模块和所有与推荐有关的内容，这里统称为推荐模块。
社区主要提供给一群用户讨论一个或几个共同的主题。社区模块主要包括与社区的创建与维护的相关工作，分为管理员部分和学生部分。管理员部分主要完成社区的查看删除，社区成员的查看和删除，社区日志的查看和删除。学生部分主要完成社区的创建、加入和退出，社区日志的编辑、评论、分享、删除等操作。
推荐模块主要包括三个内容，分别是：用户模型的建立，好友推荐和社区推荐。
用户模型建立研究的是如何运用已有的数据建立一个恰当的模型来描述用户的兴趣偏好问题。解决方法是运用用户已有的日志信息，运用聚类算法发现用户对各个兴趣点的偏好程度，以此建立用户模型。
好友推荐研究的是如何在为建立好友关系的用户中寻找可能成为好友的用户，并进行推荐的问题。解决方法是根据之前建立的用户模型，运用余弦相似度方法计算用户之间的相似程度，找出相似程度高的用户进行推荐。
社区推荐研究的是如何运用用户和社区的相关数据，寻找用户可能加入的社区，并推荐给用户的问题。解决方法是运用用户的日志和社区日志进行分析，使用贝叶斯分类算法计算用户日志在各个社区类中的可能性，找出可能性高的社区推荐给用户。
1.3 文章组织结构
本文的内容共分为七章，具体章节内容组织如下：
第一章为绪论，介绍本文的研究背景，本文所要研究的内容，最后给出了全文的组织结构。
第二章为相关技术，介绍本文将用到的一些技术，首先介绍了服务器端所要用到的框架技术，然后讨论了推荐系统的概念和分类，进而讨论了实现个性化推荐系统的技术。
第三章为系统总体设计，介绍了本文所完成的模块，以及各模块所要完成的具体内容。同时给出了数据库的结构图，并对相关数据表进行了简要说明。
第四章为社区管理模块的实现，分别从管理员角度和学生角度给出了一个用例的具体实现过程。
第五章为推荐模块的实现，包括用户模型建立，好友推荐，社区推荐，分别介绍了这三部分所用到的算法以及具体处理流程。
第六章展示本系统的运行效果，给出了系统运行的软硬件环境以及系统运行的截图。
第七章对全文进行总结，总结本文的所做的工作，并指出将来进一步研究和改进的方向。