| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 空间数据挖掘 | 第11-12页 |
| 1.2.2 热门景点推荐和线路规划 | 第12-13页 |
| 1.2.3 总结分析 | 第13页 |
| 1.3 研究内容及方法 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究方法 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 空间数据挖掘及个性化推荐算法 | 第16-26页 |
| 2.1 空间数据挖掘概述 | 第16-19页 |
| 2.1.1 空间数据挖掘概念 | 第16-17页 |
| 2.1.2 空间数据挖掘常用方法 | 第17-19页 |
| 2.1.3 空间数据挖掘的应用场景 | 第19页 |
| 2.2 空间聚类算法 | 第19-23页 |
| 2.2.1 空间聚类算法比较 | 第20-22页 |
| 2.2.2 空间聚类方法选择的考虑因素 | 第22-23页 |
| 2.3 个性化推荐算法 | 第23-26页 |
| 2.3.1 基于人口统计学的推荐 | 第23-24页 |
| 2.3.2 基于内容的推荐 | 第24页 |
| 2.3.3 基于协同过滤的推荐 | 第24-26页 |
| 第3章 热门景点聚类及推荐算法 | 第26-44页 |
| 3.1 P-DBSCAN算法 | 第26-29页 |
| 3.1.1 P-DBSCAN算法思想 | 第26-27页 |
| 3.1.2 P-DBSCAN算法伪代码 | 第27-29页 |
| 3.2 协同过滤推荐算法 | 第29-32页 |
| 3.2.1 协同过滤算法思路 | 第29-30页 |
| 3.2.2 Taste引擎 | 第30-32页 |
| 3.3 热门景点推荐 | 第32-39页 |
| 3.3.1 景点集聚类 | 第33页 |
| 3.3.2 景点名称确定 | 第33-34页 |
| 3.3.3 景点数据库的建立 | 第34-36页 |
| 3.3.4 热门景点识别算法 | 第36-38页 |
| 3.3.5 基于用户相似性的热门景点推荐 | 第38-39页 |
| 3.4 线路推荐 | 第39-44页 |
| 3.4.1 用户行程确定 | 第39-41页 |
| 3.4.2 序列模式挖掘 | 第41-42页 |
| 3.4.3 旅行线路推荐算法 | 第42-44页 |
| 第4章 实验流程和结果分析 | 第44-57页 |
| 4.1 数据获取及预处理 | 第44-47页 |
| 4.1.1 数据源选取 | 第44-46页 |
| 4.1.2 数据源对实验结果的影响 | 第46页 |
| 4.1.3 数据预处理 | 第46-47页 |
| 4.2 数据库设计 | 第47-49页 |
| 4.3 实验结果与分析 | 第49-57页 |
| 4.3.1 基于P-DBSCAN算法的热门景点聚类实验 | 第49-52页 |
| 4.3.2 推荐算法实验结果 | 第52-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |