Instagram社交网中好友和位置推荐算法的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国内外研究进展 | 第12-14页 |
| 1.2.2 目前面临的挑战 | 第14-15页 |
| 1.3 本文主要内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 基本概念和技术 | 第18-28页 |
| 2.1 符号及定义说明 | 第18-20页 |
| 2.2 好友和位置推荐体系结构图 | 第20-21页 |
| 2.3 推荐技术 | 第21-24页 |
| 2.3.1 基于内容的推荐 | 第22页 |
| 2.3.2 基于协同过滤的推荐 | 第22-23页 |
| 2.3.3 基于信任的推荐 | 第23-24页 |
| 2.3.4 混合推荐 | 第24页 |
| 2.4 其它相关技术 | 第24-27页 |
| 2.4.1 相似性计算 | 第24-25页 |
| 2.4.2 聚类方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于社交信任和活动相似的好友推荐 | 第28-44页 |
| 3.1 活动关键词库生成与活动分类识别 | 第28-31页 |
| 3.1.1 Foursquare活动关键词库生成 | 第28-30页 |
| 3.1.2 Instagram用户活动识别 | 第30-31页 |
| 3.2 用户活动相似性计算 | 第31-33页 |
| 3.3 用户信任关系构建 | 第33-39页 |
| 3.3.1 局部信任值计算 | 第33-38页 |
| 3.3.2 全局信任值计算 | 第38-39页 |
| 3.4 候选好友推荐集生成 | 第39-41页 |
| 3.5 FRBTA好友推荐算法 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于社交信任和活动相似的位置推荐 | 第44-56页 |
| 4.1 用户社交信任关系生成 | 第44-45页 |
| 4.2 位置相似性计算 | 第45-46页 |
| 4.2.1 物理距离相似性计算 | 第45页 |
| 4.2.2 位置活动相似性计算 | 第45-46页 |
| 4.3 基于矩阵分解的评分预测 | 第46-52页 |
| 4.3.1 用户位置评分矩阵计算 | 第46-48页 |
| 4.3.2 矩阵分解模型 | 第48-52页 |
| 4.4 候选位置推荐集生成 | 第52-54页 |
| 4.5 LRBTA位置推荐算法 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 实验测试与分析 | 第56-68页 |
| 5.1 实验环境和实验数据 | 第56-58页 |
| 5.1.1 实验环境与实验参数 | 第56-57页 |
| 5.1.2 实验数据采集及过滤 | 第57-58页 |
| 5.2 性能测试与评价 | 第58-66页 |
| 5.2.1 评测指标 | 第58-59页 |
| 5.2.2 好友推荐性能测试与评价 | 第59-63页 |
| 5.2.3 位置推荐性能测试与评价 | 第63-66页 |
| 5.3 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 内容总结 | 第68-69页 |
| 6.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间主要成果 | 第76页 |
