| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状与发展趋势 | 第8-11页 |
| 1.2.1 用户地理兴趣点推荐 | 第9-10页 |
| 1.2.2 神经网络 | 第10-11页 |
| 1.3 研究目标及意义 | 第11-13页 |
| 1.4 文章结构 | 第13-14页 |
| 第2章 相关研究技术与理论基础 | 第14-26页 |
| 2.1 基于位置的社交网络 | 第14-15页 |
| 2.2 推荐算法 | 第15-20页 |
| 2.2.1 基于内容的推荐 | 第15-16页 |
| 2.2.2 协同过滤 | 第16-17页 |
| 2.2.3 改进的推荐算法 | 第17-20页 |
| 2.3 神经网络 | 第20-26页 |
| 2.3.1 多层感知机(MLP) | 第20-22页 |
| 2.3.2 循环神经网络(RNN) | 第22-26页 |
| 第3章 NEXT模型 | 第26-33页 |
| 3.1 用户下一个地理兴趣点推荐 | 第26页 |
| 3.2 神经网络结构 | 第26-28页 |
| 3.2.1 基础模型 | 第26-27页 |
| 3.2.2 整合元数据信息 | 第27-28页 |
| 3.3 整合时间上下文因素 | 第28-29页 |
| 3.4 POI向量的预训练 | 第29-30页 |
| 3.5 模型整体结构 | 第30-31页 |
| 3.6 模型冷启动分析 | 第31-32页 |
| 3.7 模型训练 | 第32-33页 |
| 第4章 实验 | 第33-49页 |
| 4.1 数据集介绍 | 第33-34页 |
| 4.1.1 Foursquare Singapore (SIN) | 第33页 |
| 4.1.2 Gowalla | 第33页 |
| 4.1.3 CA | 第33-34页 |
| 4.2 实验设置 | 第34-36页 |
| 4.2.1 对比模型及参数设置 | 第34-36页 |
| 4.2.2 评价标准 | 第36页 |
| 4.2.3 超参数的选择及训练 | 第36页 |
| 4.3 性能比较 | 第36-41页 |
| 4.4 冷启动实验 | 第41页 |
| 4.5 神经网络模型NEXT的分析 | 第41-45页 |
| 4.5.1 时间上下文因素 | 第41-43页 |
| 4.5.2 向量维度的数量 | 第43-44页 |
| 4.5.3 POI向量预训练 | 第44页 |
| 4.5.4 额外的元数据 | 第44-45页 |
| 4.5.5 模型效率 | 第45页 |
| 4.6 模型单层与多层的分析 | 第45-49页 |
| 第5章 总结 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |