移动应用中融合社会化网络的LBS推荐系统研究与应用
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究的意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 LBS系统研究现状 | 第12-14页 |
| 1.3.2 推荐系统研究现状 | 第14-15页 |
| 1.4 研究目的和研究内容 | 第15-16页 |
| 1.5 本文的结构安排 | 第16-17页 |
| 1.6 本章小结 | 第17-18页 |
| 2 LBS推荐系统现有的研究理论和算法 | 第18-32页 |
| 2.1 推荐算法 | 第18-27页 |
| 2.1.1 基于人口统计学的推荐 | 第18-19页 |
| 2.1.2 基于内容的推荐 | 第19-21页 |
| 2.1.3 基于协同过滤的推荐 | 第21-26页 |
| 2.1.4 混合型推荐方法 | 第26-27页 |
| 2.2 LBS推荐系统 | 第27-29页 |
| 2.2.1 移动应用中基于地理位置信息服务的特点 | 第27-28页 |
| 2.2.2 基于地理位置的推荐系统的特殊性 | 第28-29页 |
| 2.3 情景信息 | 第29-30页 |
| 2.3.1 情景定义 | 第29页 |
| 2.3.2 电子商务中的情景信息 | 第29页 |
| 2.3.3 移动应用中的情景信息 | 第29-30页 |
| 2.4 社会化网络 | 第30-31页 |
| 2.4.1 社会化关系概述 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 LBS推荐算法的研究 | 第32-60页 |
| 3.1 偏好建模 | 第32-33页 |
| 3.2 社会化网络 | 第33-35页 |
| 3.2.1 社会化关系的构建 | 第33-35页 |
| 3.2.2 移动用户的信任关系 | 第35页 |
| 3.3 情景建模 | 第35-38页 |
| 3.3.1 情景信息的重要性 | 第35-36页 |
| 3.3.2 情景信息建模 | 第36-38页 |
| 3.4 数据抓取和分析 | 第38-45页 |
| 3.4.1 属性的选择 | 第38-39页 |
| 3.4.2 属性区间的划分 | 第39-41页 |
| 3.4.3 数据抓取 | 第41-43页 |
| 3.4.4 数据分析 | 第43-45页 |
| 3.5 短期偏好 | 第45-46页 |
| 3.6 长期偏好 | 第46-51页 |
| 3.6.1 相关性分析 | 第46-48页 |
| 3.6.2 用户长期偏好的计算 | 第48-51页 |
| 3.7 LBS推荐算法 | 第51-57页 |
| 3.7.1 总体流程图 | 第51-52页 |
| 3.7.2 流程说明 | 第52-56页 |
| 3.7.3 推荐算法验证程序 | 第56-57页 |
| 3.8 实验结果及分析 | 第57-59页 |
| 3.8.1 数据集 | 第57页 |
| 3.8.2 评价指标体系 | 第57-58页 |
| 3.8.3 结果及分析 | 第58-59页 |
| 3.9 本章小结 | 第59-60页 |
| 4 LBS推荐算法的应用 | 第60-79页 |
| 4.1 项目概述 | 第60-61页 |
| 4.2 需求分析 | 第61-62页 |
| 4.3 系统架构 | 第62-64页 |
| 4.4 系统功能概述 | 第64-65页 |
| 4.4.1 移动客户端 | 第64-65页 |
| 4.4.2 服务器端 | 第65页 |
| 4.5 工作内容说明 | 第65-72页 |
| 4.5.1 技术框架简介 | 第66-68页 |
| 4.5.2 电商和ETC模块开发说明 | 第68-72页 |
| 4.6 LBS推荐算法在电商平台的应用 | 第72-74页 |
| 4.7 系统核心类介绍 | 第74-75页 |
| 4.8 系统展示 | 第75-77页 |
| 4.9 系统运行情况 | 第77-78页 |
| 4.9.1 硬件平台 | 第77页 |
| 4.9.2 软件平台 | 第77页 |
| 4.9.3 系统试运行情况 | 第77-78页 |
| 4.10 本章小结 | 第78-79页 |
| 5 总结与展望 | 第79-81页 |
| 5.1 工作总结 | 第79页 |
| 5.2 工作展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-84页 |
