基于位置的社会网络中多因素感知POI推荐策略
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 主要研究目标与内容 | 第12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第2章 相关推荐技术研究 | 第14-25页 |
| 2.1 基本推荐算法分类 | 第14-19页 |
| 2.1.1 基于人口统计学的推荐算法 | 第14-15页 |
| 2.1.2 基于内容的推荐算法 | 第15页 |
| 2.1.3 协同过滤推荐算法 | 第15-19页 |
| 2.1.4 组合推荐算法 | 第19页 |
| 2.2 兴趣点推荐相关研究 | 第19-24页 |
| 2.2.1 兴趣点静态推荐算法 | 第19-23页 |
| 2.2.2 兴趣点实时推荐算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 时间-主题感知的兴趣点静态推荐 | 第25-42页 |
| 3.1 问题背景及定义 | 第25-26页 |
| 3.2 基于LDA的兴趣点-主题提取 | 第26-28页 |
| 3.3 离散时间片下的用户兴趣发现 | 第28-31页 |
| 3.4 基于用户-主题-时间张量分解 | 第31-34页 |
| 3.4.1 UZT模型 | 第31-32页 |
| 3.4.2 模型训练求解 | 第32-34页 |
| 3.5 主题-兴趣点得分转换 | 第34页 |
| 3.6 实验及结果分析 | 第34-41页 |
| 3.6.1 实验准备 | 第34-36页 |
| 3.6.2 实验结果及分析 | 第36-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第4章 时间-地点感知的兴趣点实时推荐 | 第42-57页 |
| 4.1 问题背景及定义 | 第42-44页 |
| 4.2 用户特征和兴趣点特征提取 | 第44-46页 |
| 4.3 兴趣点转移LT模型 | 第46-49页 |
| 4.4 基于因子分解机的特征融合 | 第49-53页 |
| 4.4.1 因子分解机 | 第49-50页 |
| 4.4.2 TL-FM模型 | 第50-51页 |
| 4.4.3 模型训练求解 | 第51-53页 |
| 4.5 实验对比结果分析 | 第53-56页 |
| 4.5.1 实验准备 | 第53页 |
| 4.5.2 实验结果及分析 | 第53-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |
