| 摘要 | 第9-11页 |
| Abstract | 第11-13页 |
| 第一章 绪论 | 第14-31页 |
| 1.1 研究背景与意义 | 第14-17页 |
| 1.2 国内外研究现状 | 第17-27页 |
| 1.2.1 基于协同过滤的推荐算法 | 第17-18页 |
| 1.2.2 兴趣点推荐算法的影响因素 | 第18-23页 |
| 1.2.2.1 基于时间影响的兴趣点推荐算法 | 第18-20页 |
| 1.2.2.2 基于社交影响的兴趣点推荐算法 | 第20-21页 |
| 1.2.2.3 基于地理影响的兴趣点推荐算法 | 第21-22页 |
| 1.2.2.4. 基于文本信息的兴趣点推荐算法 | 第22-23页 |
| 1.2.3 推荐方法的分类 | 第23-27页 |
| 1.2.3.1 基于矩阵分解的推荐算法 | 第23-24页 |
| 1.2.3.2 基于概率模型的推荐算法 | 第24-25页 |
| 1.2.3.3 基于排序学习的推荐算法 | 第25-26页 |
| 1.2.3.4 基于张量分解的推荐算法 | 第26-27页 |
| 1.3 亟待解决的问题 | 第27-28页 |
| 1.4 本文的研究方法与研究内容 | 第28-29页 |
| 1.5 全文的组织结构 | 第29-31页 |
| 第二章 融合地理-社交信息的兴趣点推荐算法 | 第31-47页 |
| 2.1 引言 | 第31-33页 |
| 2.2 推荐问题形式化描述及矩阵分解方法预备知识 | 第33页 |
| 2.2.1 兴趣点推荐问题的形式化描述 | 第33页 |
| 2.3 GeoEISo兴趣点推荐算法 | 第33-37页 |
| 2.3.1 地理信息建模 | 第33-34页 |
| 2.3.2 社交信息建模 | 第34-36页 |
| 2.3.3 GeoEISo算法框架与优化 | 第36-37页 |
| 2.3.4 时间复杂度分析 | 第37页 |
| 2.4 实验结果与分析 | 第37-45页 |
| 2.4.1 实验数据集 | 第37-38页 |
| 2.4.2 实验评价指标 | 第38页 |
| 2.4.3 实验方案设计 | 第38-39页 |
| 2.4.4 实验参数设置 | 第39页 |
| 2.4.5 实验结果分析 | 第39-45页 |
| 2.4.5.1 地理信息模型对比分析 | 第40-41页 |
| 2.4.5.2 社交信息模型对比分析 | 第41-42页 |
| 2.4.5.3 兴趣点推荐算法对比分析 | 第42-43页 |
| 2.4.5.4 组件影响分析 | 第43-44页 |
| 2.4.5.5 参数分析 | 第44-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第三章 融合地理-社交信息和评论信息的兴趣点推荐算法 | 第47-59页 |
| 3.1 引言 | 第47-48页 |
| 3.2 GeoSoRev兴趣点推荐算法 | 第48-51页 |
| 3.2.1 评论内容信息建模 | 第48-49页 |
| 3.2.2 地理信息建模 | 第49-50页 |
| 3.2.3 用户社交关系建模 | 第50-51页 |
| 3.3 GeoSoRev算法框架 | 第51页 |
| 3.4 GeoSoRev算法优化与学习 | 第51-52页 |
| 3.5 实验 | 第52-58页 |
| 3.5.1 实验数据集 | 第52页 |
| 3.5.2 实验评价指标 | 第52-53页 |
| 3.5.3 兴趣点推荐算法性能对比 | 第53页 |
| 3.5.4 实验结果分析 | 第53-58页 |
| 3.5.4.1 推荐算法的比较与分析 | 第53-56页 |
| 3.5.4.2 组件影响分析 | 第56-57页 |
| 3.5.4.3 参数分析 | 第57-58页 |
| 3.6 本章小结 | 第58-59页 |
| 第四章 融合地理社交信息的多级成对排序兴趣点推荐算法 | 第59-73页 |
| 4.1 引言 | 第59-60页 |
| 4.2 BPR排序模型预备知识 | 第60-61页 |
| 4.3 GSBPR兴趣点推荐算法 | 第61-66页 |
| 4.3.1 GSBPR算法假设 | 第61-62页 |
| 4.3.2 GSBPR算法框架 | 第62-64页 |
| 4.3.3 GSBPR算法优化与学习 | 第64-65页 |
| 4.3.4 时间复杂度分析 | 第65-66页 |
| 4.4 实验 | 第66-72页 |
| 4.4.1 实验数据集 | 第66页 |
| 4.4.2 实验度量指标 | 第66-67页 |
| 4.4.3 实验设计 | 第67页 |
| 4.4.4 兴趣点推荐对比算法 | 第67-68页 |
| 4.4.5 实验参数设置 | 第68页 |
| 4.4.6 实验分析 | 第68-72页 |
| 4.4.6.1 实验结果对比与分析 | 第69-71页 |
| 4.4.6.2 矩阵分解维度的影响 | 第71-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 融合时序信息和社交信息的兴趣点推荐算法 | 第73-92页 |
| 5.1 引言 | 第73-74页 |
| 5.2 成对张量分解及相关理论预备知识 | 第74-76页 |
| 5.3 STSCR算法 | 第76-81页 |
| 5.3.1 STSCR算法框架 | 第76-78页 |
| 5.3.2 STSCR算法优化与学习 | 第78-81页 |
| 5.3.3 时间复杂度 | 第81页 |
| 5.4 实验 | 第81-90页 |
| 5.4.1 实验数据集 | 第81-82页 |
| 5.4.2 评估指标 | 第82-83页 |
| 5.4.3 实验设计 | 第83-84页 |
| 5.4.4 实验结果分析 | 第84-90页 |
| 5.4.4.1 兴趣点推荐算法对比分析 | 第84-87页 |
| 5.4.4.2 社会化建模对比 | 第87-89页 |
| 5.4.4.3 组件影响分析 | 第89-90页 |
| 5.4.4.4 潜在维度分析 | 第90页 |
| 5.5 本章小结 | 第90-92页 |
| 第六章 总结与展望 | 第92-94页 |
| 6.1 全文总结 | 第92-93页 |
| 6.2 未来研究展望 | 第93-94页 |
| 参考文献 | 第94-107页 |
| 攻博期间发表的科研成果目录 | 第107-109页 |
| 致谢 | 第109-110页 |