含地理位置信息的社交媒体挖掘及应用
摘要 | 第1-7页 |
ABSTRACT | 第7-9页 |
目录 | 第9-12页 |
插图目录 | 第12-14页 |
表格目录 | 第14-15页 |
第1章 绪论 | 第15-29页 |
·背景与研究意义 | 第15-16页 |
·国内外研究现状 | 第16-26页 |
·媒体的管理与展示 | 第17-19页 |
·媒体地理位置的推断 | 第19-21页 |
·兴趣点挖掘与旅游推荐 | 第21-23页 |
·知识发现 | 第23-25页 |
·研究现状不足之处分析 | 第25-26页 |
·论文的研究内容与创新点 | 第26-27页 |
·论文的结构安排 | 第27-29页 |
第2章 含地理位置信息的社交媒体的特性及科学问题 | 第29-35页 |
·异构的地理信息表达和组成方式 | 第29-30页 |
·移动性、时效性以及交互性 | 第30-32页 |
·包含空时信息和社交信息的多模态媒体内容 | 第32-33页 |
·科学问题 | 第33-35页 |
第3章 异构地理信息社交媒体融合挖掘算法 | 第35-57页 |
·引言 | 第35-36页 |
·问题的定义和相关工作 | 第36-39页 |
·问题的定义 | 第36-37页 |
·相关工作 | 第37-39页 |
·基于异构社交媒体融合的挖掘和排序算法 | 第39-46页 |
·算法流程概述 | 第39-40页 |
·融合结构化数据和非结构化数据的特色性评分算法 | 第40-43页 |
·融合特色性评分和用户评分的重排序算法 | 第43-45页 |
·推荐系统 | 第45-46页 |
·实验 | 第46-55页 |
·实验数据 | 第46-48页 |
·菜品特色性评分算法的评价 | 第48-51页 |
·餐厅重排序算法评价 | 第51-55页 |
·本章小结 | 第55-57页 |
第4章 面向移动应用的高效在线地点推荐算法 | 第57-85页 |
·引言 | 第57-59页 |
·移动推荐的研究现状 | 第57-59页 |
·在线机器学习的定义 | 第59页 |
·在线地点推荐问题的定义 | 第59-60页 |
·可变记忆马尔科夫模型简介 | 第60-64页 |
·可变记忆马尔科夫模型的概念 | 第61-62页 |
·概率后缀树算法 | 第62-64页 |
·基于前缀树的可变记忆马尔科夫模型 | 第64-71页 |
·基于频繁序列挖掘的计数 | 第64-65页 |
·基于前缀树的可变长上下文模型 | 第65-70页 |
·基于地点距离和流行度的平滑模型 | 第70-71页 |
·实验 | 第71-83页 |
·实验数据 | 第71-73页 |
·对比算法和评价指标 | 第73-75页 |
·实验结果和分析 | 第75-83页 |
·本章小结 | 第83-85页 |
第5章 融合多种上下文信息的个性化地点推荐算法 | 第85-107页 |
·引言 | 第85-87页 |
·个性化地点推荐问题的定义 | 第87-88页 |
·融合多上下文信息的个性化推荐算法 | 第88-96页 |
·算法流程概述 | 第88-89页 |
·上下文信息的挖掘 | 第89-93页 |
·地点与用户兴趣的匹配度计算 | 第93-95页 |
·基于排序学习的个性化推荐算法 | 第95-96页 |
·实验 | 第96-105页 |
·实验数据集 | 第97-98页 |
·对比算法和评价标准 | 第98-100页 |
·实验结果和分析 | 第100-105页 |
·本章小结 | 第105-107页 |
第6章 总结与展望 | 第107-111页 |
·工作总结 | 第107-108页 |
·未来展望 | 第108-111页 |
参考文献 | 第111-121页 |
致谢 | 第121-123页 |
在读期间发表的学术论文与取得的其他研究成果 | 第123-124页 |