| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-13页 |
| 表格 | 第13-14页 |
| 插图 | 第14-16页 |
| 算法 | 第16-17页 |
| 第一章 绪论 | 第17-33页 |
| ·引言 | 第17-19页 |
| ·研究背景 | 第19-27页 |
| ·移动设备成为用户情境信息的载体 | 第19-22页 |
| ·通过移动设备为用户提供情境感知的服务 | 第22-25页 |
| ·用户情境数据挖掘 | 第25-27页 |
| ·研究内容 | 第27-28页 |
| ·数据收集平台 | 第28-30页 |
| ·组织结构 | 第30-33页 |
| 第二章 相关研究工作概述 | 第33-53页 |
| ·引言 | 第33-34页 |
| ·普适计算中的情境定义回顾 | 第34-35页 |
| ·情境数据挖掘的研究项目 | 第35-41页 |
| ·麻省理工学院的现实挖掘项目 | 第36-39页 |
| ·微软亚洲研究院的地理人生项目 | 第39-41页 |
| ·情境数据挖掘的研究应用 | 第41-50页 |
| ·通过地理位置数据理解用户 | 第41-48页 |
| ·通过传感器数据理解用户 | 第48-50页 |
| ·本章小结 | 第50-53页 |
| 第三章 使用非监督学习模型对用户情境建模 | 第53-81页 |
| ·引言 | 第53-54页 |
| ·相关工作 | 第54-56页 |
| ·方法概述 | 第56-57页 |
| ·情境会话分割 | 第57-60页 |
| ·通过聚类模型学习用户情境 | 第60-64页 |
| ·情境会话相似度定义 | 第60-61页 |
| ·情境会话聚类 | 第61-62页 |
| ·从情境会话簇中提取情境描述 | 第62页 |
| ·确定情境会话聚类簇的数目 | 第62-64页 |
| ·通过概率主题模型学习用户情境 | 第64-70页 |
| ·基于单主题模型的情境模型 | 第64-67页 |
| ·基于多主题模型的情境模型 | 第67-69页 |
| ·确定用户情境的数目 | 第69-70页 |
| ·实验分析 | 第70-79页 |
| ·数据集与数据预处理 | 第70-71页 |
| ·计算效率比较 | 第71-74页 |
| ·建模效果比较 | 第74-79页 |
| ·本章小结 | 第79-81页 |
| 第四章 通过基站标识数据挖掘用户关键地点 | 第81-99页 |
| ·引言 | 第81-83页 |
| ·停留区域检测 | 第83-86页 |
| ·停留片段提取 | 第84-86页 |
| ·计算停留区域对应的地理栅格 | 第86页 |
| ·用户关键地点挖掘 | 第86-89页 |
| ·实验分析 | 第89-95页 |
| ·数据集 | 第89-90页 |
| ·基准方法 | 第90-91页 |
| ·标注结果与评价指标 | 第91-93页 |
| ·实验结果 | 第93-95页 |
| ·案例分析 | 第95页 |
| ·演示系统 | 第95-96页 |
| ·本章小结 | 第96-99页 |
| 第五章 结合时间管理软件实现用户情境识别 | 第99-121页 |
| ·引言 | 第99-101页 |
| ·相关工作 | 第101-102页 |
| ·通过HMM模型实现情境识别 | 第102-110页 |
| ·Bayesian HMM模型 | 第104-107页 |
| ·Bayesian HMM on Context模型 | 第107-110页 |
| ·通过DPM模型确定情境数目 | 第110-112页 |
| ·实验分析 | 第112-118页 |
| ·数据说明 | 第112-114页 |
| ·用户情境数目 | 第114-115页 |
| ·HMMC模型训练效率 | 第115-116页 |
| ·情境识别效果 | 第116-118页 |
| ·本章小结 | 第118-121页 |
| 第六章 结束语 | 第121-125页 |
| ·研究工作总结 | 第121-123页 |
| ·对未来工作的展望 | 第123-125页 |
| 参考文献 | 第125-133页 |
| 致谢 | 第133-135页 |
| 在读期间发表的学术论文与取得的研究成果 | 第135-136页 |