基于位置的社交网络中地点推荐方法研究
摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第9-16页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 传统的推荐 | 第10-12页 |
1.2.2 基于位置服务的地点推荐 | 第12页 |
1.2.3 基于位置社交网络的地点推荐 | 第12-13页 |
1.3 研究内容及目标 | 第13-14页 |
1.4 论文组织结构 | 第14-16页 |
第2章 相关技术与理论 | 第16-27页 |
2.1 基于协同过滤的推荐方法 | 第16-21页 |
2.1.1 推荐步骤 | 第16-19页 |
2.1.2 基于用户的协同过滤推荐 | 第19-20页 |
2.1.3 基于物品的协同过滤推荐 | 第20-21页 |
2.1.4 基于模型的协同过滤推荐 | 第21页 |
2.2 相似性度量方法 | 第21-22页 |
2.2.1 Jaccard相似系数 | 第21页 |
2.2.2 余弦相似度 | 第21-22页 |
2.2.3 Pearson相关系数 | 第22页 |
2.2.4 欧氏距离相似度 | 第22页 |
2.3 常用的聚类算法 | 第22-24页 |
2.3.1 K-均值 | 第23-24页 |
2.3.2 K-中心点 | 第24页 |
2.4 地点推荐面临问题的现有解决方法 | 第24-26页 |
2.4.1 数据稀疏性 | 第24-25页 |
2.4.2 冷启动 | 第25页 |
2.4.3 签到地点离常居地远 | 第25-26页 |
2.5 本章小结 | 第26-27页 |
第3章 基于用户和朋友关系的协同过滤算法 | 第27-35页 |
3.1 算法研究思路 | 第27页 |
3.2 基于用户的协同过滤算法 | 第27-30页 |
3.2.1 用户间的兴趣地点相似度 | 第27-28页 |
3.2.2 用户对备选地点兴趣度 | 第28-29页 |
3.2.3 排序推荐 | 第29-30页 |
3.3 基于朋友关系的协同过滤算法 | 第30-32页 |
3.3.1 朋友关系因素 | 第30-31页 |
3.3.2 用户对备选地点兴趣度 | 第31页 |
3.3.3 排序推荐 | 第31-32页 |
3.4 基于用户和朋友关系的协同过滤算法 | 第32-34页 |
3.4.1 混合相似度 | 第32-33页 |
3.4.2 用户对备选地点兴趣度 | 第33页 |
3.4.3 排序推荐 | 第33-34页 |
3.5 本章小结 | 第34-35页 |
第4章 地点推荐算法改进 | 第35-53页 |
4.1 地点的聚类 | 第35-37页 |
4.2 地点的语义相似度 | 第37-41页 |
4.2.1 词频-逆文档频率与余弦相似性 | 第37-39页 |
4.2.2 应用TF-IDF计算地点的语义相似度 | 第39-41页 |
4.3 地点的距离相似度 | 第41-42页 |
4.4 改进的地点推荐算法 | 第42-51页 |
4.5 集成算法解决的问题 | 第51-52页 |
4.6 本章小结 | 第52-53页 |
第5章 实验验证与结果分析 | 第53-71页 |
5.1 实验环境 | 第53-54页 |
5.2 实验数据 | 第54-56页 |
5.2.1 数据来源 | 第54页 |
5.2.2 数据抓取 | 第54-55页 |
5.2.3 数据处理 | 第55-56页 |
5.3 推荐效果评测方法 | 第56-59页 |
5.3.1 准确率与召回率 | 第56-57页 |
5.3.2 mAP | 第57-58页 |
5.3.3 评测指标在地点推荐中应用 | 第58-59页 |
5.4 算法实验 | 第59-65页 |
5.4.1 实验需要验证的算法 | 第59页 |
5.4.2 参数的确定 | 第59-61页 |
5.4.3 UF与基于用户协同过滤算法 | 第61-62页 |
5.4.4 C与传统协同过滤算法 | 第62-64页 |
5.4.5 UFC与C算法 | 第64-65页 |
5.5 各算法解决问题的效果 | 第65-68页 |
5.5.1 数据稀疏 | 第65-66页 |
5.5.2 冷启动 | 第66-67页 |
5.5.3 签到地点离常居地远近 | 第67-68页 |
5.6 本章小结 | 第68-71页 |
结论 | 第71-73页 |
参考文献 | 第73-77页 |
攻读硕士学位期间取得的研究成果 | 第77-79页 |
致谢 | 第79页 |