基于轨迹挖掘与特征向量融合的好友推荐研究
摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第1章 绪论 | 第9-17页 |
1.1 研究背景 | 第9-10页 |
1.2 研究目的与意义 | 第10-12页 |
1.3 国内外研究现状 | 第12-15页 |
1.3.1 好友推荐研究现状 | 第12-13页 |
1.3.2 轨迹挖掘研究现状 | 第13-15页 |
1.4 论文主要工作 | 第15页 |
1.5 组织结构 | 第15-17页 |
第2章 平台架构关键技术 | 第17-33页 |
2.1 Andriod平台简介 | 第17-18页 |
2.2 运动社交平台系统架构 | 第18-22页 |
2.2.1 系统概述 | 第18-19页 |
2.2.2 客户端架构 | 第19-20页 |
2.2.3 服务端架构 | 第20-22页 |
2.3 GPS轨迹采集上传 | 第22-26页 |
2.3.1 GPS定位采集模块 | 第23-24页 |
2.3.2 GPS轨迹上传模块 | 第24-26页 |
2.4 轨迹大数据存储方式 | 第26-28页 |
2.5 轨迹可视化与导出 | 第28-32页 |
2.5.1 轨迹查询与导出模块 | 第28-30页 |
2.5.2 轨迹可视化技术 | 第30-32页 |
2.6 本章小结 | 第32-33页 |
第3章 轨迹挖掘与推荐系统 | 第33-44页 |
3.1 轨迹挖掘简介 | 第33-34页 |
3.2 轨迹聚类分析 | 第34-35页 |
3.3 DBSCAN算法简述 | 第35-38页 |
3.3.1 算法原理 | 第35-36页 |
3.3.2 DBSCAN算法不足与改进策略 | 第36-38页 |
3.4 推荐系统相关技术 | 第38-43页 |
3.4.1 推荐系统常用算法 | 第38-39页 |
3.4.2 好友推荐系统架构 | 第39-41页 |
3.4.3 相似度度量指标 | 第41-42页 |
3.4.4 推荐系统评价指标 | 第42-43页 |
3.5 本章小结 | 第43-44页 |
第4章 基于热点轨迹的用户行为相似度计算 | 第44-62页 |
4.1 轨迹预处理技术 | 第44-45页 |
4.2 基于θ-ADBSCAN的热点轨迹挖掘 | 第45-52页 |
4.2.1 区域查询算法改进 | 第46-47页 |
4.2.2 GeoGrid网格分区算法 | 第47-48页 |
4.2.3 θ-ADBSCAN算法原理 | 第48-51页 |
4.2.4 实验结果 | 第51-52页 |
4.3 停留点挖掘算法 | 第52-57页 |
4.3.1 停留点挖掘介绍 | 第52-53页 |
4.3.2 ST-Cluster算法原理 | 第53-55页 |
4.3.3 效率和精度评价 | 第55-57页 |
4.4 停留点相似度计算 | 第57-59页 |
4.5 轨迹区域相似度计算 | 第59-61页 |
4.6 本章小结 | 第61-62页 |
第5章 融合兴趣和社交的好友推荐 | 第62-71页 |
5.1 融合推荐算法研究现状 | 第62-64页 |
5.2 用户兴趣与社交融合算法 | 第64-66页 |
5.2.1 用户兴趣模型建立 | 第64-65页 |
5.2.2 融合用户兴趣与社交相似度计算 | 第65-66页 |
5.3 多级融合推荐算法 | 第66-68页 |
5.4 融合推荐算法试验分析 | 第68-70页 |
5.5 本章小结 | 第70-71页 |
第6章 总结与展望 | 第71-72页 |
致谢 | 第72-73页 |
参考文献 | 第73-78页 |
附录 | 第78页 |