| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的意义 | 第10-11页 |
| 1.2 兴趣点推荐算法研究现状 | 第11-13页 |
| 1.3 本文的主要研究目标和内容 | 第13-14页 |
| 1.4 本文的组织和结构 | 第14-16页 |
| 第2章 本文涉及的理论知识 | 第16-25页 |
| 2.1 协同过滤概述 | 第16-17页 |
| 2.2 基于矩阵分解的协同过滤技术介绍 | 第17-20页 |
| 2.2.1 矩阵分解中梯度下降的相关方法与概念 | 第17-18页 |
| 2.2.2 传统矩阵分解算法 | 第18-19页 |
| 2.2.3 基于带权重的隐式反馈矩阵分解算法 | 第19-20页 |
| 2.3 基于用户和朋友的协同过滤方法研究 | 第20-23页 |
| 2.3.1 基于用户的协同过滤 | 第20-22页 |
| 2.3.2 基于朋友的协同过滤 | 第22-23页 |
| 2.4 兴趣点推荐研究的相关问题以及改进策略 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 结合地理影响因子的兴趣点推荐算法 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 地理影响因子 | 第25-28页 |
| 3.2.1 用户活动的地理聚集现象 | 第25-26页 |
| 3.2.2 兴趣点影响区域 | 第26-27页 |
| 3.2.3 用户活跃区域 | 第27-28页 |
| 3.3 符号和变量的定义 | 第28页 |
| 3.4 结合地理影响因子的兴趣点推荐算法 | 第28-33页 |
| 3.4.1 用户活动的地理聚集现象在算法当中的应用 | 第28-29页 |
| 3.4.2 融合过程 | 第29-30页 |
| 3.4.3 结合地点影响因子的矩阵分解技术 | 第30-32页 |
| 3.4.4 完整算法描述 | 第32-33页 |
| 3.5 推荐算法实现 | 第33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 结合核密度估计和社交正则项的兴趣点推荐算法 | 第34-45页 |
| 4.1 引言 | 第34页 |
| 4.2 个性化核密度估计 | 第34-37页 |
| 4.3 兴趣点推荐中的社交因子 | 第37-41页 |
| 4.3.1 社交正则项在兴趣点推荐中的应用分析 | 第38-39页 |
| 4.3.2 社交正则项的应用改进算法 | 第39-41页 |
| 4.4 兴趣点相似度的分析和应用 | 第41-43页 |
| 4.5 完整算法描述 | 第43页 |
| 4.6 推荐算法实现 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 实验结果及分析 | 第45-56页 |
| 5.1 实验环境配置 | 第45页 |
| 5.2 实验所用数据集 | 第45-46页 |
| 5.3 实验所用分析方法及评价标准 | 第46-47页 |
| 5.4 实验基本参数设置 | 第47页 |
| 5.5 本文所用的基准推荐算法 | 第47-48页 |
| 5.6 结果分析 | 第48-55页 |
| 5.6.1 结合地理影响因子的兴趣点推荐算法的实验结果 | 第48-52页 |
| 5.6.2 结合核密度估计和社交正则项的兴趣点算法的实验结果 | 第52-55页 |
| 5.7 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
