基于语义停留点的用户行为特征模型的构建研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要工作及研究内容 | 第14-15页 |
| 1.4 本文章节安排 | 第15-17页 |
| 第2章 相关工作及研究理论基础 | 第17-26页 |
| 2.1 轨迹数据的获取方式 | 第17-18页 |
| 2.2 轨迹数据预处理技术 | 第18-20页 |
| 2.3 聚类算法介绍 | 第20-23页 |
| 2.3.1 DBSCAN聚类算法 | 第20-22页 |
| 2.3.2 OPTICS算法 | 第22-23页 |
| 2.4 用户数据模型构建的论述和方法 | 第23-25页 |
| 2.4.1 用户数据模型的论述 | 第23-24页 |
| 2.4.2 用户数据模型的表示方式 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于时间和语义的停留点提取算法 | 第26-35页 |
| 3.1 语义停留点的定义 | 第26-29页 |
| 3.1.1 停留点的定义 | 第27-28页 |
| 3.1.2 语义停留点的定义 | 第28-29页 |
| 3.2 HST-OPTICS算法 | 第29-34页 |
| 3.2.1 HST-OPTICS算法流程 | 第29-32页 |
| 3.2.2 HST-OPTICS算法伪代码 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于语义停留点的用户行为特征模型 | 第35-48页 |
| 4.1 用户模型的构建流程 | 第35-36页 |
| 4.2 用户日常行为特征项的提取 | 第36-39页 |
| 4.3 用户日常行为特征项权重的计算 | 第39-43页 |
| 4.4 用户轨迹数据模型的表示方式 | 第43-44页 |
| 4.5 用户轨迹数据模型更新 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 实验及结果分析 | 第48-60页 |
| 5.1 实验环境概述 | 第48页 |
| 5.2 实验数据介绍 | 第48-50页 |
| 5.2.1 数据来源 | 第48-49页 |
| 5.2.2 数据格式 | 第49-50页 |
| 5.3 语义停留点的提取 | 第50-56页 |
| 5.3.1 轨迹数据处理 | 第50-52页 |
| 5.3.2 语义停留点的获取 | 第52-55页 |
| 5.3.3 HST-OPTICS算法性能分析 | 第55-56页 |
| 5.4 用户数据模型构建 | 第56-58页 |
| 5.5 用户数据模型的更新 | 第58-59页 |
| 5.6 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第66-67页 |
