| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第16-28页 |
| 1.1 研究背景 | 第16-19页 |
| 1.2 兴趣点推荐系统面临的问题 | 第19-21页 |
| 1.3 研究内容 | 第21-26页 |
| 1.3.1 基于上下文信息的兴趣点推荐 | 第22-24页 |
| 1.3.2 基于噪声鲁棒性的兴趣点推荐 | 第24-25页 |
| 1.3.3 基于用户生活模式的兴趣点推荐 | 第25-26页 |
| 1.4 论文组织结构 | 第26-28页 |
| 2 推荐系统相关研究与应用综述 | 第28-48页 |
| 2.1 推荐评价 | 第28-37页 |
| 2.1.1 推荐系统评测环境 | 第28-31页 |
| 2.1.2 推荐系统评测指标 | 第31-37页 |
| 2.2 推荐算法 | 第37-46页 |
| 2.2.1 基于内容的推荐系统 | 第37-38页 |
| 2.2.2 基于协同过滤的推荐系统 | 第38-39页 |
| 2.2.3 基于知识的推荐系统 | 第39页 |
| 2.2.4 基于混合技术的推荐系统 | 第39页 |
| 2.2.5 基于计算智能的推荐系统 | 第39-41页 |
| 2.2.6 基于社交网络的推荐系统 | 第41-42页 |
| 2.2.7 基于上下文信息的推荐系统 | 第42-43页 |
| 2.2.8 基于群组的推荐系统 | 第43-44页 |
| 2.2.9 推荐算法优缺点对比 | 第44-46页 |
| 2.3 本章小结 | 第46-48页 |
| 3 基于上下文信息的兴趣点推荐系统 | 第48-72页 |
| 3.1 引言 | 第48-49页 |
| 3.2 上下文信息在基于位置信息推荐算法中的应用 | 第49-50页 |
| 3.3 基于内嵌空间排序支持向量机的推荐算法 | 第50-54页 |
| 3.3.1 推荐系统框架 | 第50-51页 |
| 3.3.2 基于内嵌空间的排序支持向量机 | 第51-54页 |
| 3.4 算法评估与实验分析 | 第54-70页 |
| 3.4.1 实验数据集 | 第54-59页 |
| 3.4.2 推荐系统对比基准算法 | 第59-60页 |
| 3.4.3 实验设计 | 第60-62页 |
| 3.4.4 用户偏好的多样性 | 第62-65页 |
| 3.4.5 RSVM与ESSVM性能对比 | 第65-67页 |
| 3.4.6 ESSVM的推荐性能分析 | 第67-69页 |
| 3.4.7 实验分析与讨论 | 第69-70页 |
| 3.5 本章小结 | 第70-72页 |
| 4 基于噪声鲁棒性的兴趣点推荐系统 | 第72-94页 |
| 4.1 引言 | 第72-74页 |
| 4.2 兴趣点推荐相关工作研究 | 第74-76页 |
| 4.3 基于线性Bregman迭代的矩阵补全兴趣点推荐算法 | 第76-84页 |
| 4.3.1 数学预备知识 | 第76-78页 |
| 4.3.2 推荐系统框架 | 第78页 |
| 4.3.3 基于线性Bregman迭代的矩阵补全推荐算法 | 第78-84页 |
| 4.4 算法评估与实验分析 | 第84-91页 |
| 4.4.1 实验设置 | 第84-85页 |
| 4.4.2 基准兴趣点推荐算法 | 第85-86页 |
| 4.4.3 评价指标 | 第86-87页 |
| 4.4.4 实验结果与讨论 | 第87-91页 |
| 4.5 本章小结 | 第91-94页 |
| 5 基于用户生活模式的兴趣点推荐系统 | 第94-110页 |
| 5.1 引言 | 第94-95页 |
| 5.2 深度学习与推荐系统的工作研究 | 第95-97页 |
| 5.3 基于注意力的循环神经网络兴趣点推荐算法 | 第97-103页 |
| 5.3.1 推荐系统框架 | 第97-98页 |
| 5.3.2 基于注意力的循环神经网络 | 第98-103页 |
| 5.4 算法评估与实验分析 | 第103-109页 |
| 5.4.1 实验设置 | 第103页 |
| 5.4.2 实验结果与讨论 | 第103-109页 |
| 5.5 本章小结 | 第109-110页 |
| 6 总结与展望 | 第110-114页 |
| 6.1 工作总结 | 第110-111页 |
| 6.2 主要创新点 | 第111-112页 |
| 6.3 工作展望 | 第112-114页 |
| 致谢 | 第114-115页 |
| 参考文献 | 第115-126页 |
| 附录 | 第126页 |