| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 主要研究目标与内容 | 第10页 |
| 1.3 论文的组织结构 | 第10-12页 |
| 第二章 相关推荐技术研究及兴趣点推荐国内外研究现状 | 第12-21页 |
| 2.1 基本推荐算法 | 第12-17页 |
| 2.1.1 基于内容的推荐系统 | 第12-13页 |
| 2.1.2 协同过滤推荐算法 | 第13-16页 |
| 2.1.3 组合推荐算法 | 第16-17页 |
| 2.2 兴趣点推荐国内外研究现状 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于联合概率矩阵分解的兴趣点推荐算法 | 第21-34页 |
| 3.1 引言 | 第21-22页 |
| 3.2 推荐模型 | 第22-25页 |
| 3.2.1 问题描述 | 第22-23页 |
| 3.2.2 评分预测方法 | 第23-24页 |
| 3.2.3 用户特征学习 | 第24页 |
| 3.2.4 生成推荐列表 | 第24-25页 |
| 3.3 用户特征学习 | 第25-28页 |
| 3.3.1 概率矩阵分解算法介绍 | 第25-26页 |
| 3.3.2 基于联合概率矩阵分解的SoRec算法 | 第26-27页 |
| 3.3.3 多层的联合概率矩阵分解算法 | 第27-28页 |
| 3.4 实验 | 第28-33页 |
| 3.4.1 数据集 | 第29-30页 |
| 3.4.2 评价方法 | 第30-31页 |
| 3.4.3 结果比较 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于时间特征和签到序列建模的兴趣点推荐 | 第34-41页 |
| 4.1 引言 | 第34-35页 |
| 4.2 数据分析 | 第35-36页 |
| 4.3 基于时间特征的兴趣点嵌入模型 | 第36-38页 |
| 4.3.1 加入时间因素的兴趣点嵌入模型 | 第36-37页 |
| 4.3.2 用户向量化 | 第37页 |
| 4.3.3 评分预测 | 第37-38页 |
| 4.4 实验 | 第38-40页 |
| 4.4.1 数据集描述及评价指标 | 第38页 |
| 4.4.2 对比算法 | 第38-39页 |
| 4.4.3 实验结果 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 总结和展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间的主要成果 | 第46-47页 |
| 致谢 | 第47页 |