| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 传统POI推荐系统 | 第13-16页 |
| 1.2.2 连续POI推荐系统 | 第16-17页 |
| 1.3 本文研究内容及章节安排 | 第17-20页 |
| 1.3.1 本文主要研究内容 | 第17-18页 |
| 1.3.2 本文主要贡献 | 第18-19页 |
| 1.3.3 章节安排 | 第19-20页 |
| 第2章 课题研究理论基础 | 第20-26页 |
| 2.1 推荐系统 | 第20页 |
| 2.2 基于地理位置社会网的推荐系统 | 第20-22页 |
| 2.3 协同过滤 | 第22-23页 |
| 2.4 基于排序学习的推荐算法 | 第23-24页 |
| 2.5 连续新POI推荐定义 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于时间信息的连续POI推荐算法研究 | 第26-48页 |
| 3.1 引言 | 第26-27页 |
| 3.2 相关工作 | 第27-28页 |
| 3.3 预备知识 | 第28-31页 |
| 3.3.1 度量嵌入模型ME | 第28页 |
| 3.3.2 基于排序的度量嵌入模型RME | 第28-29页 |
| 3.3.3 度量嵌入个性化排序PRME | 第29-30页 |
| 3.3.4 融入地理信息PRME-G | 第30页 |
| 3.3.5 时间索引 | 第30-31页 |
| 3.4 基于时间信息和地理信息的连续POI推荐模型 | 第31-38页 |
| 3.4.1 基于密度时间聚类的时间段划分算法BDTC | 第31-33页 |
| 3.4.2 基于地点的时间感知模型(PMRE-GT1) | 第33-37页 |
| 3.4.3 基于用户的时间感知模型(PMRE-GT2) | 第37-38页 |
| 3.5 实验结果及分析 | 第38-47页 |
| 3.5.1 实验数据描述 | 第39页 |
| 3.5.2 度量指标 | 第39页 |
| 3.5.3 做对比的方法 | 第39-40页 |
| 3.5.4 实验参数的设置 | 第40-44页 |
| 3.5.5 比较实验结果 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于社交信息的连续POI推荐算法 | 第48-60页 |
| 4.1 引言 | 第48-49页 |
| 4.2 相关工作 | 第49页 |
| 4.3 预备知识 | 第49-51页 |
| 4.4 基于社交关系的连续POI推荐模型 | 第51-55页 |
| 4.4.1 模型1：基于平均偏好的社交关系模型(PRME-GS1) | 第51-53页 |
| 4.4.2 模型2：基于个体的社交关系模型(PRME-GS2) | 第53-55页 |
| 4.5 实验结果及分析 | 第55-59页 |
| 4.5.1 实验数据描述 | 第55-56页 |
| 4.5.2 度量指标 | 第56页 |
| 4.5.3 做对比的方法 | 第56页 |
| 4.5.4 实验参数的设置 | 第56-57页 |
| 4.5.5 比较实验结果 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 基于图像的连续POI推荐算法研究 | 第60-75页 |
| 5.1 引言 | 第60-61页 |
| 5.2 相关工作 | 第61-62页 |
| 5.3 问题定义 | 第62-63页 |
| 5.4 贝叶斯个性化排序模型BPR | 第63-64页 |
| 5.5 基于图像的连续POI推荐算法 | 第64-71页 |
| 5.5.1 基础连续POI推荐模型 | 第64-65页 |
| 5.5.2 融入地理因素的连续POI推荐模型 | 第65-66页 |
| 5.5.3 提取图像特征值并建模 | 第66-68页 |
| 5.5.4 融入图像信息的连续POI推荐框架VSPOI | 第68-69页 |
| 5.5.5 目标函数优化方法 | 第69-70页 |
| 5.5.6 时间复杂度分析 | 第70-71页 |
| 5.6 实验结果和分析 | 第71-75页 |
| 5.6.1 数据集和实验设置 | 第71-72页 |
| 5.6.2 推荐系统的性能比较 | 第72-74页 |
| 5.6.4 本章小结 | 第74-75页 |
| 结论 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82页 |
