协同过滤算法在LBS社区服务系统中的研究及应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 背景介绍 | 第10-11页 |
| 1.2 课题研究意义 | 第11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文研究内容和结构安排 | 第12-14页 |
| 1.4.1 论文研究内容 | 第12-13页 |
| 1.4.2 主要工作 | 第13页 |
| 1.4.3 论文结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 LBS社区服务推荐系统需求分析及设计 | 第16-26页 |
| 2.1 系统需求分析 | 第16-17页 |
| 2.2 系统的整体架构介绍 | 第17页 |
| 2.3 客户端模块与实现 | 第17-21页 |
| 2.3.1 前端交互 | 第18页 |
| 2.3.2 客户端数据采集模块 | 第18-21页 |
| 2.3.3 客户端和服务器端的数据传输 | 第21页 |
| 2.4 服务器端 | 第21-25页 |
| 2.4.1 Web服务 | 第21-22页 |
| 2.4.2 数据预处理 | 第22-23页 |
| 2.4.3 数据的存储 | 第23-24页 |
| 2.4.4 推荐引擎 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 协同过滤推荐算法 | 第26-36页 |
| 3.1 协同过滤算法介绍 | 第26-27页 |
| 3.2 相似度计算 | 第27-30页 |
| 3.2.1 稠密数据 | 第27-29页 |
| 3.2.2 稀疏数据 | 第29-30页 |
| 3.3 评分预测算法 | 第30-33页 |
| 3.3.1 评分预测问题 | 第30-31页 |
| 3.3.2 评分预测算法 | 第31-33页 |
| 3.4 协同过滤算法的分类 | 第33-35页 |
| 3.4.1 基于内存的协同过滤 | 第33-34页 |
| 3.4.2 基于模型的协同过滤 | 第34页 |
| 3.4.3 混合协同过滤 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于LBS的协同过滤算法的改进 | 第36-46页 |
| 4.1 基于地理信息的用户分组 | 第36-41页 |
| 4.1.1 用户分组依据 | 第36-37页 |
| 4.1.2 KD-tree算法实现用户分组 | 第37-40页 |
| 4.1.3 分组偏置项信息统计 | 第40-41页 |
| 4.2 改进的协同过滤算法 | 第41-44页 |
| 4.2.1 ALS-λ算法 | 第41-43页 |
| 4.2.2 改进的协同过滤算法 | 第43-44页 |
| 4.3 本章小结 | 第44-46页 |
| 第五章 改进算法效果验证实验 | 第46-54页 |
| 5.1 实验目的 | 第46页 |
| 5.2 实验环境及数据准备 | 第46-48页 |
| 5.2.1 实验环境 | 第46页 |
| 5.2.2 数据准备 | 第46-48页 |
| 5.3 结果评估与分析 | 第48-54页 |
| 第六章 推荐引擎搭建 | 第54-66页 |
| 6.1 数据的存储 | 第54-56页 |
| 6.1.1 用户行为日志信息的表 | 第55页 |
| 6.1.2 用户经纬度信息表 | 第55页 |
| 6.1.3 用户注册登记信息表 | 第55页 |
| 6.1.4 用户群偏好统计信息表 | 第55-56页 |
| 6.1.5 用户-图书效用矩阵数据表 | 第56页 |
| 6.2 数据的处理 | 第56-61页 |
| 6.2.1 用户行为日志抽取 | 第57-58页 |
| 6.2.2 基于地理位置的用户分组实现 | 第58-60页 |
| 6.2.3 用户群偏好信息统计 | 第60-61页 |
| 6.3 推荐器的实现 | 第61-63页 |
| 6.4 推荐器的结果展示 | 第63-66页 |
| 第七章 总结 | 第66-70页 |
| 7.1 总结 | 第66-67页 |
| 7.2 创新点 | 第67页 |
| 7.3 展望 | 第67-70页 |
| 参考文献 | 第70-72页 |
| 致谢 | 第72页 |
