| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的组织架构 | 第13页 |
| 1.5 本章小节 | 第13-14页 |
| 第二章 相关理论概述 | 第14-29页 |
| 2.1 传统推荐系统 | 第14-18页 |
| 2.1.1 基于内容的推荐系统 | 第14-16页 |
| 2.1.2 协同过滤的推荐系统 | 第16-18页 |
| 2.2 基于位置社交网络的地点推荐系统 | 第18-23页 |
| 2.2.1 基于位置的社交网络 | 第19-21页 |
| 2.2.2 基于社交关系的地点推荐系统 | 第21-22页 |
| 2.2.3 基于地理信息的地点推荐系统 | 第22页 |
| 2.2.4 组合地点推荐系统 | 第22-23页 |
| 2.3 推荐性能的度量 | 第23-24页 |
| 2.4 社区划分算法 | 第24-27页 |
| 2.4.1 社区划分算法概述 | 第25-26页 |
| 2.4.2 离散粒子群算法 | 第26-27页 |
| 2.4.3 Louvain算法 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 Foursquare数据挖掘分析 | 第29-41页 |
| 3.1 Foursquare数据集处理 | 第29-36页 |
| 3.1.1 数据集的介绍 | 第29-30页 |
| 3.1.2 稀疏数据的筛除 | 第30-34页 |
| 3.1.3 用户常住地的推算 | 第34-36页 |
| 3.2 Foursquare数据的分析 | 第36-40页 |
| 3.2.1 社交因素分析 | 第36-38页 |
| 3.2.2 地理因素分析 | 第38-40页 |
| 3.3 本章小节 | 第40-41页 |
| 第四章 基于离散粒子群和协同过滤的地点推荐 | 第41-52页 |
| 4.1 用户相似度计算 | 第42-43页 |
| 4.2 社区划分 | 第43-47页 |
| 4.2.1 基于离散粒子群算法划分社区 | 第43-46页 |
| 4.2.2 社区融合 | 第46-47页 |
| 4.3 基于社区划分的协同过滤 | 第47-48页 |
| 4.4 比较与分析推荐结果 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于Louvain算法和多源信息融合的地点推荐 | 第52-62页 |
| 5.1 影响地点推荐的指标 | 第53-54页 |
| 5.2 基于Louvain算法的社区划分 | 第54-55页 |
| 5.3 产生推荐集 | 第55-57页 |
| 5.3.1 地理推荐集 | 第56页 |
| 5.3.2 协同过滤推荐集 | 第56页 |
| 5.3.3 流行指标推荐集 | 第56-57页 |
| 5.3.4 综合推荐集 | 第57页 |
| 5.4 比较与分析推荐结果 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录1 程序清单 | 第68-69页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 附录3 攻读硕士学位期间申请的专利 | 第70-71页 |
| 附录4 攻读硕士学位期间参加的科研项目 | 第71-72页 |
| 致谢 | 第72页 |