澳洲福利贴 | Python代写| Flask代写 | 推荐算法: flask相关的任务

1. 用户只有注册情况下  才可以收到旅馆推荐。在自己home页面上面看到推荐旅馆，使用的是协同过滤算法，根据用户自身预订历史。
2. 用户没有注册情况下，（可以调用地图API来确定位置，也可以注册时选自己的常住地）只能看到自己所在地区评分最好的五个旅馆（数据不够可以少推荐）
3. 注册时候，填写完username 和 密码后 跳转到个人信息表，需要填写喜欢的房间类型，喜欢的旅馆类型，是喜欢家庭旅游还是商务人员，收入，年龄。填入的信息记录推到推荐引擎，可以用决策树来判断是喜欢哪种类型旅馆的用户。之前可以用k-means对之前从网上拿到数据源进行分类。分几类看数据。 然后用户填写完信息跳转到登陆页面。
4. 新用户登陆页面后，在Home页面根据他之前喜欢的类型，进行推荐。在用户有了预订历史后，根据协同过滤进行推荐。
5. 在home页面点击旅馆后，跳转到旅馆详情页面，有旅馆照片，价格，房间类型，房间类型下面有房间号，可以预定日期，点击预订后，固定房间的日期会被锁定。
6. 在详情页面，根据所要预订查看的旅馆的地区，对当地的旅馆进行推荐，推荐当地最流行的旅馆，根据原始数据点击或预订数目来算出最流行旅馆。具体数据，算法我这边有（https://www.kaggle.com/dvasyukova/predict-hotel-type-with-pandas）。所推荐的旅馆在预订旅馆框下面。或第二种也可以考虑content-based 过滤，如果数据源覆盖旅馆特征属性比较多。
7. 在home页面可以进行搜索，对旅馆名字进行搜索，选定地区会跳出所选范围旅馆。
8. 数据库设计：单个旅馆信息的数据库设计https://github.com/dimashh/Hotel-Database
9. 多个旅馆需要加几个属性 包括旅馆所在地，和用户预订历史，有用户对旅馆评分，旅馆名字，（类型的数据源：https://github.com/jhan0317/Hotel_Recommendation_System/tree/master/Dataset）

澳洲福利贴 | Python代写| Flask代写 | 推荐算法: flask相关的任务

1. 用户只有注册情况下  才可以收到旅馆推荐。在自己home页面上面看到推荐旅馆，使用的是协同过滤算法，根据用户自身预订历史。
2. 用户没有注册情况下，（可以调用地图API来确定位置，也可以注册时选自己的常住地）只能看到自己所在地区评分最好的五个旅馆（数据不够可以少推荐）
3. 注册时候，填写完username 和 密码后 跳转到个人信息表，需要填写喜欢的房间类型，喜欢的旅馆类型，是喜欢家庭旅游还是商务人员，收入，年龄。填入的信息记录推到推荐引擎，可以用决策树来判断是喜欢哪种类型旅馆的用户。之前可以用k-means对之前从网上拿到数据源进行分类。分几类看数据。 然后用户填写完信息跳转到登陆页面。
4. 新用户登陆页面后，在Home页面根据他之前喜欢的类型，进行推荐。在用户有了预订历史后，根据协同过滤进行推荐。
5. 在home页面点击旅馆后，跳转到旅馆详情页面，有旅馆照片，价格，房间类型，房间类型下面有房间号，可以预定日期，点击预订后，固定房间的日期会被锁定。
6. 在详情页面，根据所要预订查看的旅馆的地区，对当地的旅馆进行推荐，推荐当地最流行的旅馆，根据原始数据点击或预订数目来算出最流行旅馆。具体数据，算法我这边有（https://www.kaggle.com/dvasyukova/predict-hotel-type-with-pandas）。所推荐的旅馆在预订旅馆框下面。或第二种也可以考虑content-based 过滤，如果数据源覆盖旅馆特征属性比较多。
7. 在home页面可以进行搜索，对旅馆名字进行搜索，选定地区会跳出所选范围旅馆。
8. 数据库设计：单个旅馆信息的数据库设计https://github.com/dimashh/Hotel-Database
9. 多个旅馆需要加几个属性 包括旅馆所在地，和用户预订历史，有用户对旅馆评分，旅馆名字，（类型的数据源：https://github.com/jhan0317/Hotel_Recommendation_System/tree/master/Dataset）

澳洲福利贴 | Python代写| Flask代写 | 推荐算法: flask相关的任务

1. 用户只有注册情况下  才可以收到旅馆推荐。在自己home页面上面看到推荐旅馆，使用的是协同过滤算法，根据用户自身预订历史。
2. 用户没有注册情况下，（可以调用地图API来确定位置，也可以注册时选自己的常住地）只能看到自己所在地区评分最好的五个旅馆（数据不够可以少推荐）
3. 注册时候，填写完username 和 密码后 跳转到个人信息表，需要填写喜欢的房间类型，喜欢的旅馆类型，是喜欢家庭旅游还是商务人员，收入，年龄。填入的信息记录推到推荐引擎，可以用决策树来判断是喜欢哪种类型旅馆的用户。之前可以用k-means对之前从网上拿到数据源进行分类。分几类看数据。 然后用户填写完信息跳转到登陆页面。
4. 新用户登陆页面后，在Home页面根据他之前喜欢的类型，进行推荐。在用户有了预订历史后，根据协同过滤进行推荐。
5. 在home页面点击旅馆后，跳转到旅馆详情页面，有旅馆照片，价格，房间类型，房间类型下面有房间号，可以预定日期，点击预订后，固定房间的日期会被锁定。
6. 在详情页面，根据所要预订查看的旅馆的地区，对当地的旅馆进行推荐，推荐当地最流行的旅馆，根据原始数据点击或预订数目来算出最流行旅馆。具体数据，算法我这边有（https://www.kaggle.com/dvasyukova/predict-hotel-type-with-pandas）。所推荐的旅馆在预订旅馆框下面。或第二种也可以考虑content-based 过滤，如果数据源覆盖旅馆特征属性比较多。
7. 在home页面可以进行搜索，对旅馆名字进行搜索，选定地区会跳出所选范围旅馆。
8. 数据库设计：单个旅馆信息的数据库设计https://github.com/dimashh/Hotel-Database
9. 多个旅馆需要加几个属性 包括旅馆所在地，和用户预订历史，有用户对旅馆评分，旅馆名字，（类型的数据源：https://github.com/jhan0317/Hotel_Recommendation_System/tree/master/Dataset）

澳洲福利贴 | Python代写| Flask代写 | 推荐算法: flask相关的任务

1. 用户只有注册情况下  才可以收到旅馆推荐。在自己home页面上面看到推荐旅馆，使用的是协同过滤算法，根据用户自身预订历史。
2. 用户没有注册情况下，（可以调用地图API来确定位置，也可以注册时选自己的常住地）只能看到自己所在地区评分最好的五个旅馆（数据不够可以少推荐）
3. 注册时候，填写完username 和 密码后 跳转到个人信息表，需要填写喜欢的房间类型，喜欢的旅馆类型，是喜欢家庭旅游还是商务人员，收入，年龄。填入的信息记录推到推荐引擎，可以用决策树来判断是喜欢哪种类型旅馆的用户。之前可以用k-means对之前从网上拿到数据源进行分类。分几类看数据。 然后用户填写完信息跳转到登陆页面。
4. 新用户登陆页面后，在Home页面根据他之前喜欢的类型，进行推荐。在用户有了预订历史后，根据协同过滤进行推荐。
5. 在home页面点击旅馆后，跳转到旅馆详情页面，有旅馆照片，价格，房间类型，房间类型下面有房间号，可以预定日期，点击预订后，固定房间的日期会被锁定。
6. 在详情页面，根据所要预订查看的旅馆的地区，对当地的旅馆进行推荐，推荐当地最流行的旅馆，根据原始数据点击或预订数目来算出最流行旅馆。具体数据，算法我这边有（https://www.kaggle.com/dvasyukova/predict-hotel-type-with-pandas）。所推荐的旅馆在预订旅馆框下面。或第二种也可以考虑content-based 过滤，如果数据源覆盖旅馆特征属性比较多。
7. 在home页面可以进行搜索，对旅馆名字进行搜索，选定地区会跳出所选范围旅馆。
8. 数据库设计：单个旅馆信息的数据库设计https://github.com/dimashh/Hotel-Database
9. 多个旅馆需要加几个属性 包括旅馆所在地，和用户预订历史，有用户对旅馆评分，旅馆名字，（类型的数据源：https://github.com/jhan0317/Hotel_Recommendation_System/tree/master/Dataset）