基于位置社交网络的数据挖掘
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 表格 | 第13-14页 |
| 插图 | 第14-16页 |
| 算法 | 第16-17页 |
| 第一章 绪论 | 第17-23页 |
| ·引言 | 第17-20页 |
| ·本文概述及主要贡献 | 第20-23页 |
| 第二章 基于签到历史的位置命名 | 第23-51页 |
| ·引言 | 第23-27页 |
| ·相关工作 | 第27-30页 |
| ·位置标注 | 第28页 |
| ·本地搜索 | 第28-29页 |
| ·位置推荐和预测 | 第29-30页 |
| ·问题定义 | 第30-32页 |
| ·偏好模型 | 第32-34页 |
| ·系统框架 | 第32页 |
| ·用户偏好模型 | 第32-33页 |
| ·空间偏好模型 | 第33页 |
| ·时间偏好模型 | 第33-34页 |
| ·偏好学习 | 第34-39页 |
| ·基于BPR-OPT的矩阵分解 | 第34-38页 |
| ·排序学习组合特征 | 第38-39页 |
| ·评测 | 第39-51页 |
| ·数据描述和预处理 | 第39-40页 |
| ·评测框架 | 第40-41页 |
| ·评测指标 | 第41-42页 |
| ·结果和讨论 | 第42-51页 |
| 第三章 基于协同探索周期回归模型的位置预测 | 第51-95页 |
| ·引言 | 第51-55页 |
| ·相关工作 | 第55-57页 |
| ·数据分析 | 第57-70页 |
| ·序列性 | 第59-62页 |
| ·时间规律性 | 第62-63页 |
| ·在新颖位置的签到 | 第63-64页 |
| ·频数对推荐和预测的影响 | 第64-69页 |
| ·时空特性 | 第69-70页 |
| ·协同探索周期回归模型 | 第70-86页 |
| ·概述 | 第70-71页 |
| ·探索预测 | 第71-76页 |
| ·隐马尔科夫模型预测常规位置 | 第76-81页 |
| ·常规位置预测的极限分析 | 第81-82页 |
| ·推荐技术预测新颖位置 | 第82-85页 |
| ·协同探索周期回归模型 | 第85-86页 |
| ·评测 | 第86-95页 |
| ·探索预测 | 第87-89页 |
| ·隐马尔科夫模型预测常规位置 | 第89-90页 |
| ·常规位置预测的极限分析 | 第90-91页 |
| ·推荐技术预测新颖位置 | 第91-92页 |
| ·协同探索周期回归预测所有位置 | 第92-95页 |
| 第四章 基于地理建模内嵌的矩阵分解模型的位置推荐 | 第95-117页 |
| ·引言 | 第95-98页 |
| ·基础 | 第98-100页 |
| ·矩阵分解 | 第98-99页 |
| ·适用于隐式数据的加权矩阵分解 | 第99-100页 |
| ·基于地理建模内嵌的矩阵分解模型 | 第100-106页 |
| ·表示 | 第101-103页 |
| ·优化 | 第103-106页 |
| ·评测 | 第106-113页 |
| ·数据描述和实验设置 | 第106-108页 |
| ·矩阵分解的比较研究 | 第108-109页 |
| ·空间聚集效应的评测研究 | 第109-112页 |
| ·和基准算法的比较 | 第112-113页 |
| ·讨论和未来工作 | 第113页 |
| ·相关工作 | 第113-117页 |
| 第五章 结论和展望 | 第117-121页 |
| ·结论和相关成果 | 第117-119页 |
| ·未来工作设想 | 第119-121页 |
| 参考文献 | 第121-137页 |
| 在读期间发表的学术论文与取得的研究成果 | 第137-139页 |
| 致谢 | 第139页 |
