基于矩阵分解的上下文感知POI推荐
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 本文工作与主要贡献 | 第16-18页 |
| 1.3 组织结构 | 第18-20页 |
| 第二章 研究现状 | 第20-32页 |
| 2.1 协同过滤模型 | 第20-26页 |
| 2.1.1 K近邻模型 | 第20-22页 |
| 2.1.2 矩阵分解模型 | 第22-25页 |
| 2.1.3 概率图模型 | 第25-26页 |
| 2.2 个性化的POI推荐 | 第26-30页 |
| 2.2.1 地理位置信息 | 第26-28页 |
| 2.2.2 社交网络信息 | 第28-29页 |
| 2.2.3 其他上下文信息 | 第29-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 预备知识 | 第32-40页 |
| 3.1 问题定义 | 第32-33页 |
| 3.2 LBSN数据集介绍 | 第33-36页 |
| 3.3 矩阵分解模型介绍 | 第36-39页 |
| 3.3.1 SVD模型 | 第36-37页 |
| 3.3.2 加权矩阵分解模型 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 个性化用户签到行为建模 | 第40-50页 |
| 4.1 上下文特征分析 | 第40-45页 |
| 4.1.1 地理位置特征分析 | 第40-41页 |
| 4.1.2 社交网络特征分析 | 第41-43页 |
| 4.1.3 POI类别特征分析 | 第43-45页 |
| 4.2 个性化用户签到行为建模 | 第45-48页 |
| 4.2.1 地理位置对用户签到行为的影响 | 第45-46页 |
| 4.2.2 社交网络对用户签到行为的影响 | 第46-47页 |
| 4.2.3 基于矩阵分解的用户偏好建模 | 第47-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第五章 融合上下文信息的矩阵分解模型 | 第50-68页 |
| 5.1 模型概览 | 第50-54页 |
| 5.2 算法优化与复杂度分析 | 第54-58页 |
| 5.3 实验结果与分析 | 第58-66页 |
| 5.3.1 实验设置 | 第58-60页 |
| 5.3.2 实验结果分析 | 第60-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 融合上下文信息的局部矩阵分解模型 | 第68-82页 |
| 6.1 引言 | 第68-70页 |
| 6.2 模型介绍 | 第70-75页 |
| 6.2.1 子矩阵生成 | 第70-72页 |
| 6.2.2 子矩阵参数学习 | 第72-75页 |
| 6.2.3 子矩阵聚合 | 第75页 |
| 6.3 实验结果与分析 | 第75-79页 |
| 6.3.1 实验基本设置 | 第75-77页 |
| 6.3.2 不同推荐模型的推荐性能对比分析 | 第77-78页 |
| 6.3.3 不同锚点下推荐性能对比分析 | 第78-79页 |
| 6.4 本章小结 | 第79-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 本文工作总结 | 第82-83页 |
| 7.2 未来工作展望 | 第83-84页 |
| 参考文献 | 第84-94页 |
| 致谢 | 第94-96页 |
| 攻读硕士学位期间发表论文和科研情况 | 第96页 |
