| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究问题 | 第14-18页 |
| 1.3 研究意义 | 第18-19页 |
| 1.4 主要创新点 | 第19页 |
| 1.5 论文框架 | 第19-21页 |
| 第二章 相关研究综述 | 第21-29页 |
| 2.1 基于LBSNs的信息抽取 | 第21-23页 |
| 2.1.1 理解用户 | 第21-22页 |
| 2.1.2 理解地点 | 第22页 |
| 2.1.3 理解事件 | 第22-23页 |
| 2.2 基于LBSNs的城市景点推荐 | 第23-28页 |
| 2.2.1 数据源 | 第23-24页 |
| 2.2.2 推荐方法 | 第24-25页 |
| 2.2.3 影响因素 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 研究方法 | 第29-36页 |
| 3.1 方法概述 | 第29-30页 |
| 3.2 基于LBSNs的POI知识发现 | 第30-32页 |
| 3.2.1 自然语言处理相关技术 | 第31-32页 |
| 3.2.2 POI知识特征抽取 | 第32页 |
| 3.2.3 POI关系网络构建 | 第32页 |
| 3.3 基于时间特征的POI推荐优化 | 第32-33页 |
| 3.4 基于LBSNs的POI知识发现及推荐应用 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于LBSNs的城市景点知识发现 | 第36-44页 |
| 4.1 城市景点知识特征抽取 | 第37-41页 |
| 4.1.1 景点评论集合 | 第37页 |
| 4.1.2 景点评论语料预处理 | 第37页 |
| 4.1.3 基于Word2Vec的旅游语料词向量训练 | 第37-38页 |
| 4.1.4 基于TF的旅游特征词抽取 | 第38-39页 |
| 4.1.5 特征词关系网络Word-Net构建 | 第39页 |
| 4.1.6 基于旅游特征的景点知识表示 | 第39-40页 |
| 4.1.7 基于TF-IDF与Word2Vec的景点自有特征表示 | 第40-41页 |
| 4.2 城市景点关系抽取 | 第41-43页 |
| 4.2.1 POIMap | 第41页 |
| 4.2.2 相似度计算 | 第41-42页 |
| 4.2.3 城市景点关系网络 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 基于时间特征的POI推荐优化 | 第44-53页 |
| 5.1 城市景点时间特征抽取 | 第45-46页 |
| 5.1.1 定义 | 第45-46页 |
| 5.1.2 景点时间分布特征 | 第46页 |
| 5.2 基于时间特征的联合学习景点推荐优化 | 第46-52页 |
| 5.2.1 矩阵定义 | 第46-47页 |
| 5.2.2 景点知识发现特征表征 | 第47-49页 |
| 5.2.3 基于联合学习的非负矩阵分解模型 | 第49页 |
| 5.2.4 模型最优化算法 | 第49-51页 |
| 5.2.5 景点最佳游玩时间推荐 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 基于LBSNs的POI知识发现和推荐应用示例 | 第53-71页 |
| 6.1 数据 | 第53-56页 |
| 6.1.1 数据来源 | 第53-54页 |
| 6.1.2 数据描述 | 第54-55页 |
| 6.1.3 数据融合 | 第55-56页 |
| 6.2 基于LBSNs的景点知识发现 | 第56-63页 |
| 6.2.1 城市景点知识特征抽取 | 第56-60页 |
| 6.2.2 城市景点关系构建 | 第60-61页 |
| 6.2.3 城市景点时间特征抽取 | 第61-63页 |
| 6.3 基于联合学习的景点推荐应用实验 | 第63-70页 |
| 6.3.1 实验设置 | 第63-64页 |
| 6.3.2 实验结果 | 第64-65页 |
| 6.3.3 参数分析 | 第65-70页 |
| 6.4 本章小结 | 第70-71页 |
| 第七章 结论与展望 | 第71-74页 |
| 7.1 研究总结 | 第71-72页 |
| 7.2 管理启示 | 第72-73页 |
| 7.3 研究展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-83页 |
| 攻读硕士期间取得成果 | 第83页 |
