基于位置社交网络的地点推荐方法及应用研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 论文研究背景 | 第17-19页 |
| 1.1.1 推荐系统的发展历程 | 第17-18页 |
| 1.1.2 推荐系统的主要技术 | 第18-19页 |
| 1.1.3 推荐系统的商业应用 | 第19页 |
| 1.2 研究问题与挑战 | 第19-22页 |
| 1.2.1 研究问题 | 第19-20页 |
| 1.2.2 面临挑战 | 第20-22页 |
| 1.3 工作概述与贡献 | 第22-25页 |
| 1.3.1 论文概述 | 第22-25页 |
| 1.3.2 论文贡献 | 第25页 |
| 1.4 本文章节安排 | 第25-27页 |
| 1.5 本章小结 | 第27-29页 |
| 第二章 相关工作综述 | 第29-39页 |
| 2.1 经典推荐系统 | 第29-33页 |
| 2.1.1 主要研究方法 | 第29-32页 |
| 2.1.2 实际应用与系统 | 第32-33页 |
| 2.2 地点推荐系统 | 第33-37页 |
| 2.2.1 公开数据集 | 第33-34页 |
| 2.2.2 基于社交网络的方法 | 第34-35页 |
| 2.2.3 基于地理信息的方法 | 第35页 |
| 2.2.4 基于文本挖掘的方法 | 第35-36页 |
| 2.2.5 基于时间分析的方法 | 第36页 |
| 2.2.6 基于混合模型的方法 | 第36-37页 |
| 2.3 本章小结 | 第37-39页 |
| 第三章 基于兴趣圈中社会关系挖掘的地点推荐 | 第39-55页 |
| 3.1 引言 | 第39-41页 |
| 3.2 问题定义 | 第41-42页 |
| 3.3 基于兴趣圈与社会关系的模型 | 第42-47页 |
| 3.3.1 传统矩阵分解模型与兴趣圈 | 第42页 |
| 3.3.2 基于朋友关系的建模 | 第42-43页 |
| 3.3.3 基于专家影响的建模 | 第43-44页 |
| 3.3.4 联合模型 | 第44-47页 |
| 3.4 实验分析 | 第47-52页 |
| 3.4.1 实验设置 | 第47-48页 |
| 3.4.2 与基准算法的比较 | 第48-50页 |
| 3.4.3 模型参数影响 | 第50页 |
| 3.4.4 冷启动问题评测 | 第50-52页 |
| 3.5 小结 | 第52-55页 |
| 第四章 基于用户比较评分行为建模的地点推荐 | 第55-73页 |
| 4.1 引言 | 第55-58页 |
| 4.2 问题定义 | 第58-60页 |
| 4.3 用户评分行为建模 | 第60-64页 |
| 4.3.1 用户评分的比较行为 | 第60-61页 |
| 4.3.2 用户评分的选择模型 | 第61-62页 |
| 4.3.3 模型的优化问题 | 第62页 |
| 4.3.4 模型的学习与推理 | 第62-64页 |
| 4.4 实验分析 | 第64-71页 |
| 4.4.1 实验设置 | 第65-67页 |
| 4.4.2 与基准算法的比较 | 第67-68页 |
| 4.4.3 模型中时间窗口影响的分析 | 第68-69页 |
| 4.4.4 模型中参数影响的讨论 | 第69-70页 |
| 4.4.5 收敛迭代的测评 | 第70-71页 |
| 4.5 小结 | 第71-73页 |
| 第五章 基于用户多角度兴趣建模的地点推荐 | 第73-97页 |
| 5.1 引言 | 第73-76页 |
| 5.2 问题定义 | 第76-78页 |
| 5.3 效用理论下用户多角度兴趣建模 | 第78-83页 |
| 5.3.1 效用理论 | 第78-80页 |
| 5.3.2 参数的先验 | 第80-81页 |
| 5.3.3 模型的优化问题 | 第81-82页 |
| 5.3.4 模型的学习与推理 | 第82-83页 |
| 5.4 基于多角度兴趣地点推荐的应用框架 | 第83-86页 |
| 5.4.1 离线部分 | 第83-85页 |
| 5.4.2 线上部分 | 第85-86页 |
| 5.5 实验分析 | 第86-95页 |
| 5.5.1 实验设置 | 第86-89页 |
| 5.5.2 与基准算法的比较 | 第89-91页 |
| 5.5.3 冷启动问题评测 | 第91页 |
| 5.5.4 算法效率分析 | 第91-93页 |
| 5.5.5 用户多角度兴趣案例分析 | 第93-94页 |
| 5.5.6 用户多角度兴趣的商家推荐应用 | 第94-95页 |
| 5.6 小结 | 第95-97页 |
| 第六章 基于多源信息融合建模的地点推荐 | 第97-117页 |
| 6.1 引言 | 第97-100页 |
| 6.2 问题定义 | 第100-101页 |
| 6.3 基础 | 第101-102页 |
| 6.3.1 传统地理位置信息模型 | 第101-102页 |
| 6.3.2 基于用户的协同过滤模型 | 第102页 |
| 6.3.3 传统概率隐因子模型 | 第102页 |
| 6.4 基于多源信息融合的地点推荐模型 | 第102-111页 |
| 6.4.1 情境信息建模 | 第102-108页 |
| 6.4.2 概率隐因子联合模型 | 第108页 |
| 6.4.3 模型的学习与推理 | 第108-111页 |
| 6.5 实验分析 | 第111-115页 |
| 6.5.1 实验设置 | 第111-112页 |
| 6.5.2 与基准算法的比较 | 第112-114页 |
| 6.5.3 模型鲁棒性讨论 | 第114-115页 |
| 6.6 小结 | 第115-117页 |
| 第七章 总结和展望 | 第117-121页 |
| 7.1 文章结论和成果 | 第117-118页 |
| 7.2 未来工作展望 | 第118-121页 |
| 参考文献 | 第121-129页 |
| 致谢 | 第129-133页 |
| 在读期间发表的学术论文与取得的研究成果 | 第133-135页 |
