基于位置社交网络的个性化地点推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状与面临的挑战 | 第14-18页 |
| 1.2.1 位置社交个性化推荐算法研究现状 | 第15-16页 |
| 1.2.2 面临的挑战 | 第16-18页 |
| 1.3 本文研究内容 | 第18页 |
| 1.4 本文组织结构 | 第18-20页 |
| 第二章 相关理论介绍 | 第20-31页 |
| 2.1 基于位置的社交网络 | 第20-24页 |
| 2.1.1 在线社交网络 | 第20-22页 |
| 2.1.2 基于位置的服务 | 第22-23页 |
| 2.1.3 基于位置的社交网络的层次结构 | 第23-24页 |
| 2.2 位置社交推荐系统 | 第24-25页 |
| 2.3 位置社交推荐算法概述 | 第25-28页 |
| 2.3.1 基于内存的算法 | 第25-27页 |
| 2.3.2 基于模型的算法 | 第27-28页 |
| 2.4 推荐效果的评测方法 | 第28-30页 |
| 2.4.1 度量方法 | 第28-30页 |
| 2.4.2 交叉验证 | 第30页 |
| 2.4.3 基于时间的分割方法 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 个性化地点推荐算法研究 | 第31-43页 |
| 3.1 基于用户的协同过滤算法 | 第31-36页 |
| 3.1.1 用户间相似度的计算 | 第32-34页 |
| 3.1.2 用户对候选地点兴趣度的计算 | 第34页 |
| 3.1.3 Top-N推荐 | 第34-36页 |
| 3.2 基于社交影响的协同过滤算法 | 第36-38页 |
| 3.2.1 社交影响因子 | 第37页 |
| 3.2.2 用户对候选地点兴趣度的计算 | 第37-38页 |
| 3.2.3 参数调节 | 第38页 |
| 3.3 朴素贝叶斯分类 | 第38-42页 |
| 3.3.1 朴素贝叶斯分类器简介 | 第38-39页 |
| 3.3.2 朴素贝叶斯在地点推荐中的应用 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 一种改进的个性化地点推荐算法研究 | 第43-55页 |
| 4.1 个性化地点推荐算法面临的问题 | 第43-46页 |
| 4.1.1 数据稀疏问题 | 第43-44页 |
| 4.1.2 冷启动问题 | 第44-45页 |
| 4.1.3 签到地点离常居地的远近 | 第45-46页 |
| 4.2 问题解决方法的比较 | 第46-47页 |
| 4.3 改进的自适应地点推荐算法 | 第47-53页 |
| 4.3.1 UPS算法 | 第47-49页 |
| 4.3.2 USG算法 | 第49-51页 |
| 4.3.3 改进的算法USPB | 第51-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 实验设计与结果分析 | 第55-65页 |
| 5.1 实验数据集 | 第55-56页 |
| 5.2 实验环境及实验的算法 | 第56-57页 |
| 5.2.1 实验环境 | 第56-57页 |
| 5.2.2 实验验证的算法 | 第57页 |
| 5.3 标准情况算法实验 | 第57-61页 |
| 5.3.1 算法验证流程 | 第57-59页 |
| 5.3.2 参数调节 | 第59页 |
| 5.3.3 实验结果与分析 | 第59-61页 |
| 5.4 特殊情况下算法实验 | 第61-63页 |
| 5.4.1 数据稀疏 | 第61-63页 |
| 5.4.2 冷启动 | 第63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文 | 第72-73页 |
| 致谢 | 第73页 |
