| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 插图 | 第12-14页 |
| 表格 | 第14-15页 |
| 算法 | 第15-16页 |
| 第一章 序论 | 第16-32页 |
| ·研究背景与意义 | 第16-19页 |
| ·推荐系统研究的历史与现状 | 第19-26页 |
| ·发展与历史 | 第19-23页 |
| ·研究现状 | 第23-26页 |
| ·研究挑战 | 第26-28页 |
| ·本文研究内容和组织结构 | 第28-32页 |
| 第二章 推荐系统相关技术综述 | 第32-48页 |
| ·推荐算法 | 第32-42页 |
| ·协同过滤 | 第32-38页 |
| ·基于内容的推荐 | 第38-39页 |
| ·社会化推荐 | 第39-40页 |
| ·时序推荐 | 第40-41页 |
| ·基于位置的推荐 | 第41-42页 |
| ·推荐算法评测 | 第42-48页 |
| ·推荐精准度 | 第42-45页 |
| ·新颖性 | 第45-46页 |
| ·覆盖率 | 第46-47页 |
| ·多样性 | 第47-48页 |
| 第三章 时序背景感知的推荐 | 第48-76页 |
| ·研究背景 | 第48-51页 |
| ·用户行为建模 | 第51-62页 |
| ·问题描述 | 第51-53页 |
| ·时序背景感知建模 | 第53-60页 |
| ·加权 TCAM 模型 | 第60-62页 |
| ·TCAM 在时序推荐中的应用 | 第62-63页 |
| ·实验评测 | 第63-75页 |
| ·数据集 | 第63-64页 |
| ·对比方法 | 第64-65页 |
| ·时序推荐上的表现 | 第65-68页 |
| ·用户行为决策分析 | 第68-69页 |
| ·隐话题分析 | 第69-73页 |
| ·新浪微博用户实例分析 | 第73-75页 |
| ·本章小结 | 第75-76页 |
| 第四章 异地空间物品推荐 | 第76-114页 |
| ·研究背景 | 第76-77页 |
| ·研究问题和挑战 | 第77-82页 |
| ·离线用户建模 | 第82-91页 |
| ·背景知识 | 第82-84页 |
| ·位置 -内容感知的 LDA 模型 (LCA-LDA) | 第84-91页 |
| ·在线 Top-k 快速推荐技术 | 第91-96页 |
| ·空间物品排序得分计算 | 第91-92页 |
| ·快速 Top-k 推荐算法 | 第92-95页 |
| ·近似 Top-k 推荐 | 第95-96页 |
| ·实验评测 | 第96-112页 |
| ·实验设置 | 第97-101页 |
| ·LCARS 推荐系统的性能表现 | 第101-107页 |
| ·用户行为决策分析 | 第107-109页 |
| ·用户行为决策实例分析 | 第109-111页 |
| ·隐话题分析 | 第111-112页 |
| ·本章小结 | 第112-114页 |
| 第五章 基于位置的实时推荐 | 第114-138页 |
| ·研究背景和内容 | 第114-119页 |
| ·LBSN 上的用户签到行为建模 | 第119-125页 |
| ·背景知识 | 第119-120页 |
| ·模型描述 | 第120-123页 |
| ·模型参数估计 | 第123-125页 |
| ·基于位置的实时推荐 | 第125-127页 |
| ·实验评测 | 第127-135页 |
| ·实验设置 | 第127-130页 |
| ·推荐结果 | 第130-132页 |
| ·参数影响研究 | 第132-133页 |
| ·隐模式识别 | 第133-135页 |
| ·本章小结 | 第135-138页 |
| 第六章 结束语和展望 | 第138-142页 |
| ·论文的主要贡献 | 第138-139页 |
| ·未来工作展望 | 第139-142页 |
| 参考文献 | 第142-154页 |
| 个人简历、在学期间的研究成果 | 第154-158页 |
| 致谢 | 第158-162页 |