基于豆瓣同城的活动推荐系统研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 EBSN的起源 | 第10-11页 |
| 1.1.2 EBSN的发展 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 EBSN研究现状 | 第12页 |
| 1.2.2 活动推荐研究现状 | 第12-13页 |
| 1.2.3 活动组织研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论和技术综述 | 第16-20页 |
| 2.1 用户行为研究 | 第16-18页 |
| 2.2 推荐系统技术与方法 | 第18页 |
| 2.3 信息扩散与影响力最大化 | 第18-20页 |
| 第三章 数据采集与分析 | 第20-34页 |
| 3.1 豆瓣同城 | 第20-21页 |
| 3.2 数据采集方法 | 第21-23页 |
| 3.2.1 OAuth2.0 访问API | 第21-23页 |
| 3.2.2 爬虫采集数据 | 第23页 |
| 3.3 豆瓣数据获取 | 第23-26页 |
| 3.3.1 用户个人信息获取 | 第24页 |
| 3.3.2 活动信息获取 | 第24-25页 |
| 3.3.3 用户参与活动信息获取 | 第25-26页 |
| 3.3.4 用户人际关系信息获取 | 第26页 |
| 3.4 豆瓣数据描述和分析 | 第26-33页 |
| 3.4.1 数据描述 | 第26-27页 |
| 3.4.2 同城活动特点分析 | 第27-28页 |
| 3.4.3 同城活动参与者行为分析 | 第28-30页 |
| 3.4.4 线上线下社交影响 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 用户参与活动推荐 | 第34-50页 |
| 4.1 问题描述 | 第34-37页 |
| 4.1.1 问题定义 | 第35-36页 |
| 4.1.2 系统框架 | 第36-37页 |
| 4.2 特征建模与融合 | 第37-43页 |
| 4.2.1 活动内容提取 | 第37-40页 |
| 4.2.2 时空上下文提取 | 第40-42页 |
| 4.2.3 人际关系提取 | 第42页 |
| 4.2.4 特征融合 | 第42-43页 |
| 4.3 SVD-MFN算法介绍 | 第43-44页 |
| 4.3.1 SVD矩阵分解 | 第43-44页 |
| 4.3.2 SVD-MFN算法 | 第44页 |
| 4.4 实验和性能评测 | 第44-49页 |
| 4.4.1 数据介绍 | 第44-45页 |
| 4.4.2 特征评估 | 第45-46页 |
| 4.4.3 参数学习 | 第46-48页 |
| 4.4.4 算法对比 | 第48-49页 |
| 4.4.5 用户对比 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 活动邀请人员推荐 | 第50-62页 |
| 5.1 问题描述 | 第50-53页 |
| 5.1.1 问题定义 | 第51-52页 |
| 5.1.2 系统框架 | 第52-53页 |
| 5.2 影响力传播及其最大化 | 第53-55页 |
| 5.2.1 经典影响力传播模型 | 第53-54页 |
| 5.2.2 信用分布传播模型 | 第54-55页 |
| 5.3 CD-UIP算法介绍 | 第55-57页 |
| 5.4 实验和测评 | 第57-60页 |
| 5.4.1 数据介绍 | 第57-58页 |
| 5.4.2 影响力传播准确度实验 | 第58-59页 |
| 5.4.3 用户参加率实验 | 第59-60页 |
| 5.4.4 影响力传播度实验 | 第60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 未来展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 | 第68-69页 |
| 致谢 | 第69-70页 |
