| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·基于地理信息的检索 | 第11-12页 |
| ·基于地理信息的定位 | 第12页 |
| ·基于地理信息的位置推荐 | 第12-13页 |
| ·本文工作 | 第13-14页 |
| ·本文结构 | 第14-16页 |
| 2 基于文档地名感知的地理信息检索模型 | 第16-28页 |
| ·引言 | 第16页 |
| ·相关工作 | 第16-17页 |
| ·相关性检索模型 | 第17-19页 |
| ·向量空间模型VSM | 第17-18页 |
| ·地理相关性模型 | 第18-19页 |
| ·基于文档地名感知的模型 | 第19-21页 |
| ·文档最小边界矩形(MBR)的确定 | 第19-20页 |
| ·基于文档地名感知的模型 | 第20-21页 |
| ·模型中的参数估计 | 第21页 |
| ·地理本体库GeoNet和语料的构建 | 第21-23页 |
| ·构建地理本体库GeoNet | 第21-22页 |
| ·语料 | 第22-23页 |
| ·实验结果与分析 | 第23-27页 |
| ·实验设计 | 第23-24页 |
| ·实验结果和分析 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 3 Twitter中基于用户tweet内容和社会网络的用户位置预测 | 第28-43页 |
| ·引言 | 第28-29页 |
| ·相关工作 | 第29-30页 |
| ·基于地理信息的位置预测模型 | 第30-35页 |
| ·文本模型 | 第30-34页 |
| ·社会网络预测模型 | 第34-35页 |
| ·混合预测模型 | 第35页 |
| ·实验结果与分析 | 第35-42页 |
| ·语料集 | 第36-37页 |
| ·评价指标 | 第37页 |
| ·预测模型 | 第37页 |
| ·预测用户的居住城市(city-level) | 第37-39页 |
| ·预测用户的居住城镇(town-level) | 第39-40页 |
| ·用户粉丝和关注数量对预测的影响 | 第40-41页 |
| ·训练集和测试集的差异 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 LBS中基于用户兴趣和时间的位置推荐 | 第43-56页 |
| ·前言 | 第43-45页 |
| ·相关工作 | 第45-46页 |
| ·推荐模型 | 第46-49页 |
| ·基于位置的流行度和时间特征推荐 | 第46-47页 |
| ·基于用户个人兴趣的推荐 | 第47-48页 |
| ·基于朋友的推荐 | 第48-49页 |
| ·混合推荐模型 | 第49页 |
| ·实验结果与分析 | 第49-55页 |
| ·实验语料 | 第49-50页 |
| ·评价指标 | 第50页 |
| ·实验方法设计 | 第50-51页 |
| ·实验结果分析 | 第51-52页 |
| ·范围选择对推荐结果的影响 | 第52-53页 |
| ·用户签到数量对推荐结果的影响 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-65页 |