| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 基于位置社交网络和相关推荐技术 | 第16-24页 |
| 2.1 基于位置社交网络 | 第16-17页 |
| 2.2 基于用户的协同过滤 | 第17-20页 |
| 2.2.1 经典的用户协同过滤算法 | 第17-19页 |
| 2.2.2 融合时间因素的用户协同过滤 | 第19-20页 |
| 2.3 核密度估计 | 第20-21页 |
| 2.4 兴趣点推荐的整体框架 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 融合时间特征和协同过滤的兴趣点推荐算法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 推荐框架及相关符号描述 | 第24-26页 |
| 3.3 用户签到相似性特征分析 | 第26-28页 |
| 3.4 时间特征分析 | 第28-31页 |
| 3.4.1 差异性特征 | 第29页 |
| 3.4.2 连续性特征 | 第29-31页 |
| 3.5 兴趣点推荐算法描述 | 第31-35页 |
| 3.5.1 相似用户过滤算法 | 第31-33页 |
| 3.5.2 相似度计算 | 第33-34页 |
| 3.5.3 利用平滑技术的用户协同过滤 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 融合二维空间特征和核密度估计的推荐算法 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 相关符号描述 | 第36-37页 |
| 4.3 空间特征分析 | 第37-40页 |
| 4.3.1 流行度特征 | 第37-39页 |
| 4.3.2 位置历史特征 | 第39-40页 |
| 4.4 兴趣点推荐算法描述 | 第40-44页 |
| 4.4.1 基于连续时间槽的兴趣点流行度 | 第40页 |
| 4.4.2 基于流行度的二维高斯核密度估计 | 第40-44页 |
| 4.5 融合时空特征的推荐算法 | 第44页 |
| 4.6 本章小结 | 第44-46页 |
| 第5章 实验性能分析 | 第46-54页 |
| 5.1 实验环境和签到数据集 | 第46页 |
| 5.2 性能评估标准 | 第46-47页 |
| 5.3 比较的推荐算法 | 第47页 |
| 5.4 兴趣点推荐算法实验分析 | 第47-53页 |
| 5.4.1 融合时间特征和协同过滤算法实验分析 | 第48-50页 |
| 5.4.2 融合二维空间特征和核密度估计算法实验分析 | 第50-52页 |
| 5.4.3 融合时空特征的推荐算法实验分析 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第60-61页 |
| 致谢 | 第61页 |