| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 存在的问题 | 第11-12页 |
| 1.4 研究的主要内容 | 第12页 |
| 1.5 论文的组织结构 | 第12-14页 |
| 第二章 相关理论与基础 | 第14-31页 |
| 2.1 推荐系统概述 | 第14-15页 |
| 2.2 常用的推荐算法 | 第15-18页 |
| 2.2.1 基于内容的推荐 | 第15-16页 |
| 2.2.2 协同过滤推荐 | 第16-18页 |
| 2.2.3 混合推荐 | 第18页 |
| 2.3 推荐系统的评测 | 第18-20页 |
| 2.4 移动上下文推荐系统相关概念 | 第20-23页 |
| 2.4.1 上下文感知推荐系统的定义 | 第20-22页 |
| 2.4.2 上下文信息的获取及选择 | 第22-23页 |
| 2.5 相对标准偏差 | 第23-24页 |
| 2.6 矩阵分解 | 第24-26页 |
| 2.6.1 基础矩阵分解模型 | 第24-25页 |
| 2.6.2 加入偏置项的矩阵分解 | 第25-26页 |
| 2.6.3 加入上下文的矩阵分解 | 第26页 |
| 2.7 张量分解相关理论 | 第26-30页 |
| 2.7.1 张量基本概念 | 第26-27页 |
| 2.7.2 张量的展开 | 第27-28页 |
| 2.7.3 张量分解 | 第28-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第三章 移动上下文感知推荐算法研究 | 第31-39页 |
| 3.1 基于上下文评分相对标准偏差的上下文选择方法 | 第31-34页 |
| 3.1.1 研究背景 | 第31页 |
| 3.1.2 算法详细描述 | 第31-34页 |
| 3.1.3 算法复杂性分析 | 第34页 |
| 3.2 一种加入偏置项的上下文矩阵分解算法 | 第34-35页 |
| 3.3 基于上下文权重的高阶奇异值分解推荐算法 | 第35-38页 |
| 3.3.1 研究背景 | 第35-36页 |
| 3.3.2 算法详细描述 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 算法实验及分析 | 第39-49页 |
| 4.1 实验数据集简介 | 第39-40页 |
| 4.1.1 LDOS-CoMoDa数据集 | 第39-40页 |
| 4.1.2 MovieLens数据集 | 第40页 |
| 4.2 评价指标 | 第40-41页 |
| 4.3 实验及分析 | 第41-48页 |
| 4.3.1 基于上下文评分相对标准偏差的上下文选择方法实验分析 | 第41-44页 |
| 4.3.2 基于上下文权重的高阶奇异值分解推荐算法实验分析 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 移动上下文感知推荐系统的设计与实现 | 第49-56页 |
| 5.1 系统设计目标 | 第49页 |
| 5.2 系统总体设计 | 第49-51页 |
| 5.2.1 系统总体架构 | 第49-50页 |
| 5.2.3 系统开发环境 | 第50-51页 |
| 5.3 系统核心模块实现 | 第51-55页 |
| 5.3.1 场所信息展示模块 | 第51-52页 |
| 5.3.2 上下文信息获取模块 | 第52-53页 |
| 5.3.3 用户反馈收集模块 | 第53-54页 |
| 5.3.4 推荐模块 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 本文工作总结 | 第56页 |
| 未来工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附件 | 第63页 |
