移动应用中基于规则的LBS推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题的研究目的及意义 | 第11-13页 |
| 1.2.1 研究目的 | 第11-12页 |
| 1.2.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 LBS 系统研究现状 | 第13-15页 |
| 1.3.2 推荐系统研究现状 | 第15-16页 |
| 1.3.3 LBS 系统与推荐系统的融合 | 第16-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 LBS 推荐系统的相关理论基础 | 第19-28页 |
| 2.1 推荐算法 | 第19-22页 |
| 2.1.1 基于规则的推荐 | 第19-20页 |
| 2.1.2 基于内容的推荐 | 第20-21页 |
| 2.1.3 协同过滤 | 第21页 |
| 2.1.4 混合推荐 | 第21-22页 |
| 2.2 LBS 推荐系统 | 第22-25页 |
| 2.2.1 移动应用中基于地理位置服务的特征 | 第22-23页 |
| 2.2.2 基于地理位置推荐系统的特殊性 | 第23-24页 |
| 2.2.3 当前 LBS 推荐系统的存在的问题 | 第24-25页 |
| 2.3 情境信息 | 第25-26页 |
| 2.3.1 电子商务中的个性化 | 第25页 |
| 2.3.2 移动应用中的情境信息 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 LBS 推荐系统新框架的分析与设计 | 第28-39页 |
| 3.1 偏好分析 | 第28-30页 |
| 3.1.1 偏好建模 | 第28-30页 |
| 3.1.2 用户短期偏好 | 第30页 |
| 3.1.3 用户长期偏好 | 第30页 |
| 3.2 情境信息建模 | 第30-32页 |
| 3.2.1 情境信息的重要性 | 第30-31页 |
| 3.2.2 情境信息建模 | 第31页 |
| 3.2.3 情境信息的整合 | 第31-32页 |
| 3.3 算法的选择与系统框架 | 第32-33页 |
| 3.4 基于位置推荐系统流程 | 第33-38页 |
| 3.4.1 总体流程图 | 第33-35页 |
| 3.4.2 流程说明 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 规则库的分析与设计 | 第39-53页 |
| 4.1 属性的选择 | 第39-41页 |
| 4.1.1 属性的选择 | 第39页 |
| 4.1.2 属性区间划分 | 第39-41页 |
| 4.2 数据抓取 | 第41-44页 |
| 4.2.1 数据样本的选择 | 第41-42页 |
| 4.2.2 数据抓取算法简介 | 第42-43页 |
| 4.2.3 数据抓取程序具体实现简介 | 第43-44页 |
| 4.3 数据分析 | 第44-49页 |
| 4.3.1 样本数据描述 | 第44-45页 |
| 4.3.2 相关性分析 | 第45-47页 |
| 4.3.3 计算用户长期偏好 | 第47-49页 |
| 4.4 规则的设计与计算 | 第49-52页 |
| 4.5 本章小节 | 第52-53页 |
| 第5章 LBS 推荐系统性能实验与数据分析 | 第53-62页 |
| 5.1 实验设计 | 第53-56页 |
| 5.1.1 实验目的 | 第53页 |
| 5.1.2 实验方法 | 第53-55页 |
| 5.1.3 实验流程 | 第55-56页 |
| 5.1.4 实验数据 | 第56页 |
| 5.2 实验结果及分析 | 第56-61页 |
| 5.2.1 用户满意度测试 | 第56-57页 |
| 5.2.2 预测精准度测试 | 第57-58页 |
| 5.2.3 系统敏感性测试 | 第58-59页 |
| 5.2.4 覆盖率测试 | 第59-60页 |
| 5.2.5 其他评价指标 | 第60-61页 |
| 5.3 本章小节 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
