| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-15页 |
| 1.2 本文工作与贡献 | 第15-16页 |
| 1.3 本文组织 | 第16-17页 |
| 第2章 相关工作 | 第17-29页 |
| 2.1 传统的推荐算法 | 第17-21页 |
| 2.1.1 基于协同过滤的推荐 | 第17-19页 |
| 2.1.2 基于内容的推荐 | 第19-21页 |
| 2.2 社交网络相关推荐 | 第21-26页 |
| 2.2.1 基于地理位置的兴趣点推荐 | 第23-24页 |
| 2.2.2 社交网络活动推荐 | 第24-26页 |
| 2.3 社交影响力 | 第26页 |
| 2.4 学习排序 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 问题描述 | 第29-34页 |
| 3.1 数据符号定义 | 第29-32页 |
| 3.2 问题定义 | 第32页 |
| 3.3 预期目标 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 iMeetup社交活动推荐算法 | 第34-43页 |
| 4.1 iMeetup算法概述 | 第34-35页 |
| 4.2 特征提取 | 第35-40页 |
| 4.2.1 用户偏好 | 第35-36页 |
| 4.2.2 基于协同过滤的偏好 | 第36-37页 |
| 4.2.3 区域流行度 | 第37页 |
| 4.2.4 活动社交影响力 | 第37-39页 |
| 4.2.5 地理近似度 | 第39-40页 |
| 4.3 学习排序 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 社交活动推荐应用 | 第43-48页 |
| 5.1 应用架构 | 第43-44页 |
| 5.2 各模块介绍 | 第44-45页 |
| 5.2.1 爬取模块 | 第44页 |
| 5.2.2 算法模块 | 第44-45页 |
| 5.2.3 推荐模块 | 第45页 |
| 5.2.4 空间索引 | 第45页 |
| 5.2.5 客户端 | 第45页 |
| 5.3 社交活动推荐流程 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 实验结果 | 第48-65页 |
| 6.1 实验配置 | 第48-52页 |
| 6.1.1 运行环境 | 第48-49页 |
| 6.1.2 数据集描述 | 第49-51页 |
| 6.1.3 实验算法介绍 | 第51-52页 |
| 6.1.4 衡量指标 | 第52页 |
| 6.2 实验实施步骤 | 第52-59页 |
| 6.2.1 特征提取 | 第53-59页 |
| 6.2.2 模型训练 | 第59页 |
| 6.3 实验结果与分析 | 第59-63页 |
| 6.3.1 返回结果数量k对效果的影响 | 第60-61页 |
| 6.3.2 Learning to rank参数对结果的影响 | 第61-63页 |
| 6.4 应用效果展示 | 第63-64页 |
| 6.5 本章小结 | 第64-65页 |
| 第7章 总结和展望 | 第65-67页 |
| 7.1 本文主要工作和贡献 | 第65-66页 |
| 7.2 未来研究工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间主要的研究成果 | 第71-72页 |
| 致谢 | 第72页 |