基于LBSN的个性化推荐技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本论文研究内容及章节安排 | 第14-15页 |
| 1.3.1 本论文研究内容 | 第14-15页 |
| 1.3.2 本论文章节安排 | 第15页 |
| 1.4 本章小结 | 第15-17页 |
| 第2章 基于位置的社交网络个性化推荐相关理论介绍 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 个性化推荐技术 | 第17-21页 |
| 2.2.1 经典的推荐算法 | 第17-18页 |
| 2.2.2 基于位置的个性化推荐技术 | 第18-21页 |
| 2.3 聚类技术 | 第21-23页 |
| 2.3.1 LBSN中相似性计算 | 第21-22页 |
| 2.3.2 聚类算法 | 第22-23页 |
| 2.4 CLR框架及应用 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于LBSN的轨迹聚类算法 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 问题描述 | 第25-28页 |
| 3.2.1 聚类算法在LBSN中的应用 | 第25-26页 |
| 3.2.2 聚类算法在LBSN中的不足 | 第26-28页 |
| 3.3 改进的聚类算法 | 第28-29页 |
| 3.3.1 改进的k-means算法PKM | 第28-29页 |
| 3.3.2 改进的k-medoids算法PKMD | 第29页 |
| 3.4 本文算法 | 第29-32页 |
| 3.4.1 本文算法描述 | 第29-30页 |
| 3.4.2 本文算法分析 | 第30-32页 |
| 3.5 算法对比分析 | 第32-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于位置的双向TOP-n用户推荐模型 | 第37-47页 |
| 4.1 引言 | 第37页 |
| 4.2 用户推荐模型的研究 | 第37-40页 |
| 4.2.1 用户推荐系统基本流程 | 第37-38页 |
| 4.2.2 用户推荐模型应用 | 第38-40页 |
| 4.3 双向TOP-n算法 | 第40-46页 |
| 4.3.1 问题描述 | 第40-41页 |
| 4.3.2 增量策略构建相似性图谱 | 第41-42页 |
| 4.3.3 算法描述 | 第42-43页 |
| 4.3.4 算法性能分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验结果与分析 | 第47-58页 |
| 5.1 实验环境和实验数据 | 第47页 |
| 5.2 实验内容 | 第47-48页 |
| 5.3 评测标准 | 第48-49页 |
| 5.3.1 聚类算法的评测指标 | 第48-49页 |
| 5.3.2 双向TOP-n算法评测指标 | 第49页 |
| 5.4 实验结果与分析 | 第49-56页 |
| 5.5 实验总结 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 结论与展望 | 第58-59页 |
| 结论 | 第58页 |
| 进一步工作 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
