| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及研究意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 用户关联度评价相关研究 | 第13-15页 |
| 1.2.2 位置推荐相关研究 | 第15-16页 |
| 1.3 本文主要研究工作 | 第16-18页 |
| 1.4 本文的组织结构 | 第18-21页 |
| 第二章 LBSNs中时空签到数据及相关推荐技术 | 第21-33页 |
| 2.1 时空数据挖掘研究内容及其应用 | 第21-26页 |
| 2.1.1 时空数据 | 第21-22页 |
| 2.1.2 时空数据挖掘研究内容 | 第22-24页 |
| 2.1.3 时空数据挖掘的应用 | 第24-26页 |
| 2.2 LBSNs中空间位置数据 | 第26-28页 |
| 2.2.1 数据的独特属性 | 第26-27页 |
| 2.2.2 各类数据特点及区别 | 第27-28页 |
| 2.3 相关推荐技术 | 第28-32页 |
| 2.3.1 基于内容的推荐算法 | 第28-29页 |
| 2.3.2 基于关联规则的推荐算法 | 第29-30页 |
| 2.3.3 基于协同过滤的推荐算法 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 时空数据中群组用户关联度评价模型 | 第33-43页 |
| 3.1 相关定义及准备工作 | 第33-35页 |
| 3.2 基于Shannon熵的模型SEM | 第35-37页 |
| 3.2.1 Shannon熵及其多样性计算 | 第36页 |
| 3.2.2 位置熵及其加权频率计算 | 第36-37页 |
| 3.2.3 群组用户关联度计算 | 第37页 |
| 3.3 基于Renyi熵的最小-最大模型REMM | 第37-42页 |
| 3.3.1 Renyi熵及其多样性计算 | 第38-39页 |
| 3.3.2 位置熵及其加权频率计算 | 第39页 |
| 3.3.3 群组用户关联度计算 | 第39-41页 |
| 3.3.4 REMM优化算法 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于时空签到数据的位置推荐算法研究 | 第43-51页 |
| 4.1 基于两用户关系的位置推荐算法LRTR | 第43-45页 |
| 4.1.1 用户间相似度计算 | 第44-45页 |
| 4.1.2 产生推荐 | 第45页 |
| 4.2 基于群组用户关系的位置推荐算法LRGR | 第45-49页 |
| 4.2.1 群组价值因子 | 第46-47页 |
| 4.2.2 群组影响度计算 | 第47-48页 |
| 4.2.3 用户对位置喜好度计算 | 第48页 |
| 4.2.4 产生推荐 | 第48-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第五章 实验结果与分析 | 第51-61页 |
| 5.1 实验数据 | 第51页 |
| 5.2 群组用户关联度评价实验设计及结果分析 | 第51-57页 |
| 5.2.1 群组用户关联度评价模型评价指标 | 第51-52页 |
| 5.2.2 训练数据与测试数据 | 第52页 |
| 5.2.3 群组用户关联度评价准确性实验及对比实验 | 第52-57页 |
| 5.3 位置推荐实验设计及结果分析 | 第57-60页 |
| 5.3.1 位置推荐评价指标 | 第57-58页 |
| 5.3.2 训练数据与测试数据 | 第58页 |
| 5.3.3 位置推荐准确性实验及对比实验 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 结论 | 第61-63页 |
| 6.1 结论 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67页 |
| 作者在攻读硕士学位期间获国家软件著作权 | 第67-69页 |
| 致谢 | 第69-70页 |