| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 LBSN兴趣点推荐算法的研究现状 | 第14-15页 |
| 1.2.2 基于MapReduce的推荐系统研究现状 | 第15-16页 |
| 1.3 论文内容和组织结构 | 第16-19页 |
| 1.3.1 论文内容和创新点 | 第16-17页 |
| 1.3.2 论文组织结构 | 第17-19页 |
| 第2章 相关技术研究综述 | 第19-29页 |
| 2.1 基于位置的社交网络概述 | 第19-22页 |
| 2.2 推荐系统和相关推荐技术 | 第22-27页 |
| 2.2.1 推荐系统概述 | 第22-23页 |
| 2.2.2 基于内容的推荐 | 第23-24页 |
| 2.2.3 协同过滤推荐 | 第24-27页 |
| 2.2.4 混合推荐 | 第27页 |
| 2.3 MapReduce编程模型概述 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 LBSN中的兴趣点推荐算法 | 第29-38页 |
| 3.1 兴趣点推荐算法概述 | 第29-31页 |
| 3.1.1 兴趣点推荐算法的相关概念 | 第29-30页 |
| 3.1.2 基于DBSCAN的时空聚类算法 | 第30-31页 |
| 3.2 改进后的兴趣点推荐算法 | 第31-37页 |
| 3.2.1 基于网格的时空聚类算法 | 第31-35页 |
| 3.2.2 基于时空属性的用户相似度 | 第35页 |
| 3.2.3 兴趣度评分函数 | 第35-36页 |
| 3.2.4 改进后的算法执行流程 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于MapReduce的LBSN兴趣点推荐算法 | 第38-48页 |
| 4.1 云平台概述 | 第38-40页 |
| 4.2 兴趣点推荐算法的MapReduce并行化 | 第40-47页 |
| 4.2.1 MapReduce编程基础 | 第40-42页 |
| 4.2.2 推荐算法的并行化设计 | 第42-45页 |
| 4.2.3 推荐算法的并行化实现 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 LBSN兴趣点推荐算法的仿真 | 第48-57页 |
| 5.1 基于网格的兴趣点推荐算法仿真 | 第48-52页 |
| 5.1.1 实验环境 | 第48页 |
| 5.1.2 实验数据集 | 第48-49页 |
| 5.1.3 实验结果及分析 | 第49-52页 |
| 5.2 基于MapReduce的兴趣点推荐算法仿真 | 第52-56页 |
| 5.2.1 实验环境 | 第52-53页 |
| 5.2.2 实验数据集 | 第53-54页 |
| 5.2.3 实验结果及分析 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第6章 结论及展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |
