首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

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

论文共78页,点击 下载论文
上一篇:面向态势估计应用的本体查询与推理
下一篇:基于证据推理的分类决策故障诊断方法