| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景 | 第15-19页 |
| 1.1.1 传统推荐系统 | 第15-17页 |
| 1.1.2 位置社交服务 | 第17-18页 |
| 1.1.3 兴趣点推荐 | 第18-19页 |
| 1.2 研究问题与挑战 | 第19-20页 |
| 1.3 研究内容与框架 | 第20-22页 |
| 1.4 本文组织结构 | 第22页 |
| 1.5 本章小结 | 第22-24页 |
| 第2章 相关工作 | 第24-34页 |
| 2.1 传统推荐系统 | 第24-29页 |
| 2.1.1 基于内容的推荐 | 第24页 |
| 2.1.2 基于协同过滤推荐 | 第24-28页 |
| 2.1.3 基于深度学习的推荐 | 第28-29页 |
| 2.2 兴趣点推荐 | 第29-32页 |
| 2.2.1 基于地理位置推荐 | 第29-30页 |
| 2.2.2 基于社交关系推荐 | 第30-31页 |
| 2.2.3 基于文本内容的推荐 | 第31页 |
| 2.2.4 基于时间信息的推荐 | 第31-32页 |
| 2.2.5 基于用户偏序的推荐 | 第32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于用户心理和地理位置表现的兴趣点推荐算法 | 第34-46页 |
| 3.1 引言 | 第34-36页 |
| 3.2 用户心理和地理位置表现建模 | 第36-40页 |
| 3.2.1 问题定义 | 第36-37页 |
| 3.2.2 用户心理表现建模 | 第37-38页 |
| 3.2.3 概率潜因子模型和学习算法 | 第38-39页 |
| 3.2.4 算法 | 第39-40页 |
| 3.3 实验分析 | 第40-45页 |
| 3.3.1 数据集和评价标准 | 第40-41页 |
| 3.3.2 对比方法和实验结果 | 第41-44页 |
| 3.3.3 冷启动问题 | 第44页 |
| 3.3.4 潜在POI集合大小分析 | 第44-45页 |
| 3.3.5 参数α和β分析 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于兴趣圈中专家关系的兴趣点推荐算法 | 第46-58页 |
| 4.1 引言 | 第46-48页 |
| 4.2 融入专家影响力的兴趣点推荐模型 | 第48-52页 |
| 4.2.1 问题定义 | 第48页 |
| 4.2.2 基本的基于兴趣圈的矩阵分解算法 | 第48-49页 |
| 4.2.3 专家识别 | 第49-50页 |
| 4.2.4 专家正则化 | 第50页 |
| 4.2.5 模型和训练 | 第50-52页 |
| 4.3 实验分析 | 第52-57页 |
| 4.3.1 数据集和评价标准 | 第52-53页 |
| 4.3.2 对比算法和比较 | 第53-55页 |
| 4.3.3 冷启动问题 | 第55-56页 |
| 4.3.4 参数σ和t分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |