| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景与研究意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 一般推荐系统的研究现状 | 第9-10页 |
| 1.2.2 地点推荐系统的研究现状 | 第10-12页 |
| 1.2.3 深度学习技术在推荐系统中的应用 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 理论综述 | 第15-21页 |
| 2.1 受限玻尔兹曼机 | 第15-19页 |
| 2.1.1 基础受限玻尔兹曼机 | 第15-17页 |
| 2.1.2 受限玻尔兹曼机的学习方法 | 第17-18页 |
| 2.1.3 基于高斯显层单元的受限玻尔兹曼机 | 第18-19页 |
| 2.2 半受限玻尔兹曼机 | 第19页 |
| 2.3 深度自编码器 | 第19-21页 |
| 第3章 基于深度学习的地点推荐算法 | 第21-37页 |
| 3.1 基于TF-IDF的数据转换 | 第21-22页 |
| 3.2 地理与社交影响因素对用户签到行为的影响分析 | 第22-26页 |
| 3.2.1 签到数据中的关键特征 | 第22-25页 |
| 3.2.2 针对地理与社交影响因素的回归分析 | 第25-26页 |
| 3.3 基于深度学习的地点推荐框架 | 第26-27页 |
| 3.4 融合地理与社交因素的深度学习模型 | 第27-34页 |
| 3.4.1 利用半受限玻尔兹曼机对地理邻近性进行建模 | 第28-29页 |
| 3.4.2 利用考虑地理影响的半受限玻尔兹曼机构建深度自编码器 | 第29-33页 |
| 3.4.3 基于条件层的深度自编码器对社交影响建模 | 第33-34页 |
| 3.5 地点推荐算法 | 第34-37页 |
| 第4章 实验及算法评价 | 第37-51页 |
| 4.1 实验数据与评价指标 | 第37-38页 |
| 4.2 对比算法 | 第38-39页 |
| 4.3 实验过程及结果分析 | 第39-51页 |
| 4.3.1 模型中地理临近性与社交影响的实验分析 | 第39-43页 |
| 4.3.2 对比实验结果分析 | 第43-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 论文总结 | 第51-52页 |
| 5.1.1 总结 | 第51页 |
| 5.1.2 启示 | 第51-52页 |
| 5.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-59页 |
| 致谢 | 第59页 |
