LBSN中的好友和地点推荐算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 好友推荐研究现状 | 第16-18页 |
| 1.2.2 地点推荐研究现状 | 第18-19页 |
| 1.3 研究内容与主要贡献 | 第19-20页 |
| 1.4 论文结构安排 | 第20-22页 |
| 第二章 相关理论概述 | 第22-33页 |
| 2.1 基于位置的社交网络概述 | 第22-24页 |
| 2.2 协同过滤技术概述 | 第24-28页 |
| 2.2.1 基于内存的协同过滤 | 第25-27页 |
| 2.2.2 基于模型的协同过滤 | 第27-28页 |
| 2.3 其他推荐技术概述 | 第28-31页 |
| 2.3.1 基于关联规则的推荐 | 第28-29页 |
| 2.3.2 基于内容的推荐 | 第29-30页 |
| 2.3.3 混合推荐 | 第30-31页 |
| 2.4 推荐算法关键问题概述 | 第31-33页 |
| 第三章 考虑用户交友偏好的好友推荐算法 | 第33-44页 |
| 3.1 兴趣相似性属性值的确定 | 第33-37页 |
| 3.1.1 信息熵与推荐系统 | 第33-34页 |
| 3.1.2 地点信息熵的确定 | 第34-35页 |
| 3.1.3 用户兴趣相似性的度量方法 | 第35-37页 |
| 3.2 离属性值的确定 | 第37-40页 |
| 3.2.1 基于朴素贝叶斯的距离属性度量方法 | 第37-38页 |
| 3.2.2 离属性值的改进 | 第38-40页 |
| 3.3 熟识度属性值的确定 | 第40-42页 |
| 3.4 考虑用户交友偏好的好友推荐算法流程 | 第42-44页 |
| 第四章 融合相似性和好友信任的地点推荐算法 | 第44-54页 |
| 4.1 传统用户相似性度量算法及存在的问题 | 第44-47页 |
| 4.2 基于用户相似性的地点推荐算法 | 第47-50页 |
| 4.2.1 基于物质扩散理论的相似性度量方法 | 第47-49页 |
| 4.2.2 基于用户相似性的地点推荐算法流程 | 第49-50页 |
| 4.3 基于好友信任的地点推荐算法 | 第50-52页 |
| 4.4 融合相似性和好友信任的地点推荐算法流程 | 第52-54页 |
| 第五章 实验设计与结果分析 | 第54-64页 |
| 5.1 实验数据集和评价指标 | 第54-55页 |
| 5.1.1 实验环境 | 第54页 |
| 5.1.2 实验数据集简介 | 第54-55页 |
| 5.1.3 实验评价指标 | 第55页 |
| 5.2 好友推荐算法实验设计与结果分析 | 第55-59页 |
| 5.2.1 好友推荐算法对比实验设计与结果 | 第55-57页 |
| 5.2.2 好友推荐算法实验结果分析 | 第57-59页 |
| 5.3 地点推荐算法实验设计与结果分析 | 第59-64页 |
| 5.3.1 地点推荐算法对比实验设计与结果 | 第59-63页 |
| 5.3.2 地点推荐算法实验结果分析 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第70-71页 |
