基于LBS的个性化推荐系统的研究与设计
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 相关技术介绍 | 第10-12页 |
| 1.3 存在的主要问题 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 社区信息推荐系统需求分析 | 第14-22页 |
| 2.1 社区管理系统 | 第14-16页 |
| 2.1.1 系统架构 | 第14-15页 |
| 2.1.2 系统组成 | 第15-16页 |
| 2.2 社区信息服务的特征 | 第16-19页 |
| 2.2.1 社区居民行为特征 | 第17-18页 |
| 2.2.2 社区信息特征 | 第18-19页 |
| 2.3 社区信息推荐需求分析 | 第19-21页 |
| 2.3.1 优化社区信息服务 | 第19-20页 |
| 2.3.2 优化公共管理服务 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 个性化推荐技术 | 第22-34页 |
| 3.1 个性化推荐技术 | 第22-25页 |
| 3.1.1 社区信息推荐基本概念 | 第22-24页 |
| 3.1.2 个性化推荐算法 | 第24-25页 |
| 3.2 协同过滤算法 | 第25-31页 |
| 3.2.1 相似度计算 | 第25-28页 |
| 3.2.2 邻域选择 | 第28-30页 |
| 3.2.3 评分预测 | 第30-31页 |
| 3.2.4 ItemCF和UserCF | 第31页 |
| 3.3 评价标准 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 社区信息个性化推荐算法的设计 | 第34-45页 |
| 4.1 改进算法设计 | 第34-35页 |
| 4.2 基于LBS的用户分组 | 第35-40页 |
| 4.2.1 LBS定义 | 第35-36页 |
| 4.2.2 Geohash算法 | 第36页 |
| 4.2.3 Geohash二进制编码算法 | 第36-38页 |
| 4.2.4 查找相邻用户 | 第38页 |
| 4.2.5 层次聚类实现用户分组 | 第38-40页 |
| 4.3 预过滤算法 | 第40-41页 |
| 4.3.1 基于用户分组的数据预过滤 | 第40-41页 |
| 4.4 “冷启动”问题 | 第41-43页 |
| 4.5 算法效果验证 | 第43-44页 |
| 4.5.1 实验方法设计 | 第43页 |
| 4.5.2 实验结果 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 基于LBS的个性化推荐系统设计与实现 | 第45-56页 |
| 5.1 推荐系统架构设计 | 第45-46页 |
| 5.2 数据库 | 第46-49页 |
| 5.2.1 关键数据表 | 第47-49页 |
| 5.3 运算模块技术细节 | 第49-53页 |
| 5.3.1 数据预处理模块 | 第49-50页 |
| 5.3.2 用户分组模块 | 第50-52页 |
| 5.3.3 预过滤模块 | 第52页 |
| 5.3.4 推荐器模块 | 第52-53页 |
| 5.4 推荐结果展示 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结 | 第56-58页 |
| 6.1 论文工作总结 | 第56页 |
| 6.2 进一步的研究工作 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60页 |
