| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-20页 |
| 1.1 论文的研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 传统推荐技术的发展与研究现状 | 第12-14页 |
| 1.2.2 LBSN中位置推荐技术的发展与研究现状 | 第14-17页 |
| 1.3 当前研究中存在的问题 | 第17-18页 |
| 1.4 本文的研究工作 | 第18页 |
| 1.5 论文的安排 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 2 背景技术 | 第20-27页 |
| 2.1 经典协同过滤推荐算法概述 | 第20-22页 |
| 2.2 基于位置的社交网络算法概述 | 第22-23页 |
| 2.3 并行图框架 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于图和改进K近邻模型的高效协同过滤推荐算法 | 第27-44页 |
| 3.1 评分数据表示及系统建模 | 第27-29页 |
| 3.1.1 评分数据描述 | 第27页 |
| 3.1.2 基于无向有权图的数据表示及系统建模 | 第27-29页 |
| 3.2 基于图和改进K近邻的协同过滤算法GK-CF | 第29-37页 |
| 3.2.1 基于图的相似用户选取 | 第29-30页 |
| 3.2.2 用户相似度计算 | 第30-32页 |
| 3.2.3 基于图最短路径的可推荐项目数计算 | 第32-34页 |
| 3.2.4 GK-CF算法及其并行化设计 | 第34-36页 |
| 3.2.5 算法复杂度分析 | 第36-37页 |
| 3.3 实验及结果分析 | 第37-43页 |
| 3.3.1 数据集及实验环境 | 第37页 |
| 3.3.2 评价指标及实验参数 | 第37-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 LBSN中考虑时空信息的协同过滤位置推荐算法 | 第44-59页 |
| 4.1 签到数据表示及系统建模 | 第46-48页 |
| 4.1.1 签到数据描述 | 第46页 |
| 4.1.2 用户历史位置签到数据集分片 | 第46-47页 |
| 4.1.3 基于用户活动范围的用户聚类 | 第47页 |
| 4.1.4 基于用户-位置二部混合图的数据建模 | 第47-48页 |
| 4.2 用户相似度计算 | 第48-50页 |
| 4.2.1 基于时空信息的用户相似度计算 | 第49-50页 |
| 4.2.2 基于用户历史访问轨迹的用户相似度计算 | 第50页 |
| 4.3 可推荐位置评分 | 第50页 |
| 4.4 LGP-CF算法及其并行化设计 | 第50-52页 |
| 4.5 实验及结果分析 | 第52-57页 |
| 4.5.1 数据集及数据分析 | 第52-54页 |
| 4.5.2 实验结果与分析 | 第54-57页 |
| 4.6 本章小结 | 第57-59页 |
| 5 结论 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |