| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 序论 | 第16-26页 |
| 1.1 研究背景与意义 | 第16-19页 |
| 1.2 研究历史与现状 | 第19-23页 |
| 1.2.1 推荐系统的历史与发展 | 第19-20页 |
| 1.2.2 社会化媒体的推荐系统研究现状与趋势 | 第20-22页 |
| 1.2.3 社会化媒体的兴趣点推荐面临的主要挑战 | 第22-23页 |
| 1.3 研究创新点 | 第23-24页 |
| 1.4 组织结构 | 第24-26页 |
| 第二章 社会化媒体的兴趣点推荐关键技术研究综述 | 第26-40页 |
| 2.1 兴趣点推荐的分类 | 第26-35页 |
| 2.1.1 基于纯签到数据的兴趣点推荐 | 第26-28页 |
| 2.1.2 基于地理影响的兴趣点推荐 | 第28-31页 |
| 2.1.3 基于社会影响的兴趣点推荐 | 第31-32页 |
| 2.1.4 基于时间影响的兴趣点推荐 | 第32-33页 |
| 2.1.5 基于文本信息的兴趣点推荐 | 第33-34页 |
| 2.1.6 基于分类信息的兴趣点推荐 | 第34页 |
| 2.1.7 基于流行度影响的兴趣点推荐 | 第34-35页 |
| 2.2 兴趣点推荐相关技术 | 第35-36页 |
| 2.2.1 上下文感知的推荐系统 | 第35-36页 |
| 2.2.2 概率矩阵分解 | 第36页 |
| 2.2.3 代表性图像选择 | 第36页 |
| 2.3 兴趣点推荐评测指标 | 第36-38页 |
| 2.3.1 预测精度指标 | 第37页 |
| 2.3.2 分类精度指标 | 第37页 |
| 2.3.3 等级精度指标 | 第37-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 基于位置社交网络的上下文感知的兴趣点推荐 | 第40-79页 |
| 3.1 研究背景与问题分析 | 第40-42页 |
| 3.2 上下文感知的兴趣点推荐 | 第42-56页 |
| 3.2.1 问题陈述与模型框架 | 第42-44页 |
| 3.2.2 话题模型 | 第44-47页 |
| 3.2.3 地理相关性模型 | 第47-49页 |
| 3.2.4 社会相关性模型 | 第49-51页 |
| 3.2.5 分类相关性模型 | 第51-52页 |
| 3.2.6 上下文感知的概率矩阵分解模型 | 第52-56页 |
| 3.3 实验仿真与分析 | 第56-78页 |
| 3.3.1 数据集描述 | 第56-57页 |
| 3.3.2 评测指标 | 第57-58页 |
| 3.3.3 参数调整 | 第58-59页 |
| 3.3.4 对比方法 | 第59-60页 |
| 3.3.5 性能对比 | 第60-62页 |
| 3.3.6 方法对比 | 第62-69页 |
| 3.3.7 不同因素影响 | 第69-74页 |
| 3.3.8 参数影响 | 第74-78页 |
| 3.4 本章小结 | 第78-79页 |
| 第四章 基于用户签到行为的兴趣点推荐 | 第79-122页 |
| 4.1 研究背景与问题分析 | 第79-83页 |
| 4.2 用户签到行为联合模型 | 第83-97页 |
| 4.2.1 问题定义 | 第83-85页 |
| 4.2.2 模型描述 | 第85-90页 |
| 4.2.3 模型推理 | 第90-95页 |
| 4.2.4 空间平滑优化 | 第95-97页 |
| 4.3 利用GTSCP模型的兴趣点推荐 | 第97-99页 |
| 4.3.1 兴趣点推荐的查询过程 | 第97-98页 |
| 4.3.2 有效在线的兴趣点推荐 | 第98-99页 |
| 4.4 实验仿真与分析 | 第99-120页 |
| 4.4.1 数据集描述 | 第99-101页 |
| 4.4.2 评测指标 | 第101-103页 |
| 4.4.3 对比方法 | 第103-104页 |
| 4.4.4 推荐效果 | 第104-110页 |
| 4.4.5 不同因素影响 | 第110-112页 |
| 4.4.6 模型参数影响 | 第112-116页 |
| 4.4.7 冷启动问题测试 | 第116-120页 |
| 4.4.8 推荐效率 | 第120页 |
| 4.5 本章小结 | 第120-122页 |
| 第五章 基于社会化媒体挖掘与可视化的兴趣点推荐 | 第122-138页 |
| 5.1 研究背景与问题分析 | 第122-124页 |
| 5.2 基于社会化媒体挖掘的兴趣点推荐 | 第124-130页 |
| 5.2.1 问题定义 | 第124-125页 |
| 5.2.2 模型描述 | 第125-126页 |
| 5.2.3 模型生成过程 | 第126-127页 |
| 5.2.4 模型推理 | 第127-128页 |
| 5.2.5 参数估计 | 第128-129页 |
| 5.2.6 利用SM-TwitterLDA模型的兴趣点推荐 | 第129-130页 |
| 5.3 基于可视化的兴趣点推荐 | 第130-132页 |
| 5.4 实验仿真与分析 | 第132-136页 |
| 5.4.1 数据集描述 | 第132-133页 |
| 5.4.2 评测指标 | 第133页 |
| 5.4.3 对比方法 | 第133-134页 |
| 5.4.4 推荐效果 | 第134-135页 |
| 5.4.5 不同因素影响 | 第135-136页 |
| 5.4.6 可视化特征影响 | 第136页 |
| 5.5 本章小结 | 第136-138页 |
| 第六章 总结与展望 | 第138-141页 |
| 6.1 论文工作总结 | 第138-139页 |
| 6.2 下一步工作展望 | 第139-141页 |
| 参考文献 | 第141-155页 |
| 附录 缩略语 | 第155-157页 |
| 攻读博士期间发表的学术论文 | 第157-158页 |
| 攻读博士期间参与和完成的工作 | 第158-159页 |
| 致谢 | 第159-160页 |