| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 论文研究内容 | 第9页 |
| 1.3 论文的先进性 | 第9-11页 |
| 1.4 论文结构 | 第11-12页 |
| 第二章 相关背景知识介绍 | 第12-19页 |
| 2.1 LBSN用户行为预测的研究现状 | 第12-13页 |
| 2.2 LBSN兴趣点推荐研究现状 | 第13-14页 |
| 2.3 论文基本符号和概念 | 第14-16页 |
| 2.3.1 主要符号 | 第14-15页 |
| 2.3.2 基本概念 | 第15-16页 |
| 2.4 AMGR系统框架 | 第16-18页 |
| 2.4.1 问题的公式化定义 | 第16-17页 |
| 2.4.2 AMGR系统概述 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 时空序列建模及用户签到序列预测 | 第19-26页 |
| 3.1 时空序列模式 | 第19-20页 |
| 3.2 时空序列建模 | 第20-23页 |
| 3.2.1 问题描述 | 第20-21页 |
| 3.2.2 时空序列建模——LLTG图 | 第21-22页 |
| 3.2.3 LLTG图的在线增量更新 | 第22-23页 |
| 3.3 基于加权马尔可夫链的用户行为预测 | 第23-25页 |
| 3.3.1 问题描述 | 第23页 |
| 3.3.2 一阶马尔可夫链和传统的n-阶马尔可夫链 | 第23-24页 |
| 3.3.3 基于加权马尔可夫链的用户签到序列预测 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 兴趣点推荐与AMGR系统实现 | 第26-40页 |
| 4.1 兴趣点推荐——重力模型 | 第26-34页 |
| 4.1.1 问题描述 | 第26页 |
| 4.1.2 重力模型 | 第26-27页 |
| 4.1.3 时空影响推导距离 | 第27-31页 |
| 4.1.4 兴趣点热门程度和好友关系推导质量 | 第31-34页 |
| 4.2 重力模型与加权马尔可夫模型的结合——AMGR系统 | 第34-35页 |
| 4.2.1 问题描述 | 第34页 |
| 4.2.2 重力模型用于权衡加权马尔可夫模型的权重 | 第34-35页 |
| 4.3 AMGR系统实现 | 第35-39页 |
| 4.3.1 签到时空序列模式挖掘与建模 | 第35-37页 |
| 4.3.2 加权马尔可夫链用于用户签到时空序列的预测 | 第37页 |
| 4.3.3 基于重力模型的兴趣点推荐系统AMGR的系统实现 | 第37-38页 |
| 4.3.4 AMGR系统实现的时间复杂度分析 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 验证实验及其结果分析 | 第40-48页 |
| 5.1 实验数据集与数据预处理 | 第40-41页 |
| 5.1.1 实验数据集简介 | 第40-41页 |
| 5.1.2 实验数据预处理 | 第41页 |
| 5.1.3 实验环境 | 第41页 |
| 5.2 实验结果的评价标准 | 第41-42页 |
| 5.2.1 推荐结果的度量标准 | 第41-42页 |
| 5.2.2 对比推荐算法 | 第42页 |
| 5.3 验证实验 | 第42-45页 |
| 5.3.1 模型学习与参数设置 | 第42-43页 |
| 5.3.2 推荐准确度的比较和分析 | 第43-45页 |
| 5.4 验证实验结果分析 | 第45-46页 |
| 5.4.1 数据稀疏性影响 | 第45页 |
| 5.4.2 为用户推荐的兴趣点数量top-k的影响 | 第45-46页 |
| 5.4.3 不同因素对推荐结果的作用 | 第46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 研究工作总结 | 第48-49页 |
| 6.2 对未来工作的展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录1 程序及文件清单 | 第53-55页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第55-56页 |
| 致谢 | 第56页 |
