基于时空数据和社交关系的个性化推荐研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 时空数据挖掘研究现状 | 第11-12页 |
| 1.2.2 LBSN位置推荐研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构和内容 | 第15-17页 |
| 第2章 相关技术介绍 | 第17-25页 |
| 2.1 协同过滤方法概述 | 第17-18页 |
| 2.2 位置推荐基本流程 | 第18-20页 |
| 2.3 位置推荐方法分类 | 第20-22页 |
| 2.3.1 结合签到数据的位置推荐 | 第20-21页 |
| 2.3.2 结合时间因素的位置推荐 | 第21-22页 |
| 2.3.3 结合社交影响的位置推荐 | 第22页 |
| 2.4 相似度计算方法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 时空数据预处理与特征分析 | 第25-32页 |
| 3.1 实验数据集 | 第25-26页 |
| 3.2 数据处理和过滤 | 第26-27页 |
| 3.3 签到数据特征分析 | 第27-31页 |
| 3.3.1 签到数据的空间分布 | 第27-30页 |
| 3.3.2 签到数据的时间分布 | 第30-31页 |
| 3.3.3 签到数据的社交关系分布 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于时空数据与社交关系的个性化推荐 | 第32-43页 |
| 4.1 推荐思路及概述 | 第32-33页 |
| 4.2 基于时空数据的相似度度量 | 第33-39页 |
| 4.2.1 位置偏好度计算 | 第33-35页 |
| 4.2.2 时间相似计算 | 第35-38页 |
| 4.2.3 时空偏好相似度 | 第38-39页 |
| 4.3 社交关系相似度 | 第39-40页 |
| 4.4 基于加权相似度的地点推荐算法 | 第40-42页 |
| 4.4.1 加权相似度计算 | 第40-41页 |
| 4.4.2 地点推荐算法 | 第41-42页 |
| 4.5 冷启动问题的处理 | 第42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 实验过程与结果分析 | 第43-49页 |
| 5.1 实验设置 | 第43页 |
| 5.2 数据集及评判标准 | 第43-44页 |
| 5.3 实验结果分析 | 第44-48页 |
| 5.3.1 参数设置 | 第44-46页 |
| 5.3.2 位置推荐结果评估 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第6章 总结与展望 | 第49-51页 |
| 6.1 工作总结 | 第49页 |
| 6.2 未来展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间的科研成果 | 第58-59页 |
