| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景与意义 | 第14-18页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-18页 |
| 1.2 研究现状与问题分析 | 第18-22页 |
| 1.2.1 研究现状 | 第18-20页 |
| 1.2.2 问题分析 | 第20-22页 |
| 1.3 研究内容 | 第22-25页 |
| 1.4 论文章节组织 | 第25-28页 |
| 第二章 移动云环境下服务推荐应用模式及关键技术分析 | 第28-46页 |
| 2.1 引言 | 第28页 |
| 2.2 移动云环境下服务推荐应用模式及模型分析 | 第28-40页 |
| 2.2.1 应用模式分析 | 第30页 |
| 2.2.2 移动云模型分析 | 第30-34页 |
| 2.2.3 推荐模型分析 | 第34-40页 |
| 2.3 移动云环境下服务推荐关键技术与应用挑战 | 第40-45页 |
| 2.3.1 服务推荐关键技术 | 第40-42页 |
| 2.3.2 移动服务推荐应用挑战 | 第42-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第三章 移动云环境下基于预测图的动态协同过滤推荐模型 | 第46-68页 |
| 3.1 引言 | 第46-47页 |
| 3.2 相关工作 | 第47-49页 |
| 3.3 动态推荐模型 | 第49-53页 |
| 3.3.1 推荐模型概述 | 第49-50页 |
| 3.3.2 基本预测单元 | 第50-53页 |
| 3.4 预测图优化 | 第53-59页 |
| 3.4.1 邻域优化原理 | 第53-54页 |
| 3.4.2 预测图模型 | 第54-59页 |
| 3.4.3 预测图可视化 | 第59页 |
| 3.5 实验评估 | 第59-66页 |
| 3.5.1 实验配置 | 第60页 |
| 3.5.2 相似度变化率 | 第60-61页 |
| 3.5.3 近邻变化率 | 第61-62页 |
| 3.5.4 准确率变化 | 第62-66页 |
| 3.6 本章小结 | 第66-68页 |
| 第四章 移动云环境下基于时间上下文感知的服务推荐模型 | 第68-82页 |
| 4.1 引言 | 第68-69页 |
| 4.2 相关工作 | 第69-72页 |
| 4.2.1 协同过滤技术分析 | 第70-71页 |
| 4.2.2 CP分解模型 | 第71-72页 |
| 4.3 基于时间感知的混合推荐模型 | 第72-77页 |
| 4.3.1 时间感知的基于邻域的CF模型 | 第73-75页 |
| 4.3.2 基于CP分解的时间隐语义模型 | 第75-77页 |
| 4.3.3 时间感知的混合协同方法 | 第77页 |
| 4.4 实验评估 | 第77-81页 |
| 4.4.1 实验设计 | 第77-79页 |
| 4.4.2 准确率评估 | 第79页 |
| 4.4.3 覆盖率评估 | 第79-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第五章 移动云环境下基于时空感知的服务推荐优化方法 | 第82-104页 |
| 5.1 引言 | 第82-83页 |
| 5.2 移动云环境下基于时空感知的服务推荐优化方法 | 第83-84页 |
| 5.3 一个移动云环境下基于时空感知的服务推荐优化实例分析 | 第84-89页 |
| 5.3.1 路网建模 | 第86-87页 |
| 5.3.2 轨迹模型 | 第87-89页 |
| 5.4 实时异常轨迹检测方法 | 第89-95页 |
| 5.4.1 数据预处理 | 第90-91页 |
| 5.4.2 路径推荐 | 第91-93页 |
| 5.4.3 在线轨迹检测 | 第93-95页 |
| 5.5 实验评估 | 第95-101页 |
| 5.5.1 实验设计 | 第95页 |
| 5.5.2 实验分析 | 第95-100页 |
| 5.5.3 应用对比分析 | 第100-101页 |
| 5.6 本章小结 | 第101-104页 |
| 第六章 总结与展望 | 第104-108页 |
| 6.1 工作总结 | 第104-105页 |
| 6.2 研究展望 | 第105-108页 |
| 参考文献 | 第108-126页 |
| 攻读博士期间发表及录用文章列表 | 第126-128页 |
| 攻读博士学位期间参与的科研课题 | 第128-130页 |
| 攻读博士学位期间获得的重要奖项 | 第130-132页 |
| 致谢 | 第132-134页 |
