| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 主要研究内容及论文结构安排 | 第12-14页 |
| 2 用户兴趣相似度分析 | 第14-30页 |
| 2.1 用户兴趣分析相关理论 | 第14-18页 |
| 2.1.1 常用相似度计算方法 | 第14-17页 |
| 2.1.2 微博用户兴趣模型表示方法 | 第17-18页 |
| 2.2 通过微博分析用户兴趣相似度的算法描述 | 第18-25页 |
| 2.2.1 用户兴趣特征向量 | 第19-21页 |
| 2.2.2 用户兴趣程度划分 | 第21-22页 |
| 2.2.3 用户兴趣相似度计算 | 第22-23页 |
| 2.2.4 特征词匹配准确性优化处理 | 第23-25页 |
| 2.3 实验结果分析 | 第25-29页 |
| 2.3.1 实验数据集说明 | 第25-26页 |
| 2.3.2 算法有效性验证 | 第26-27页 |
| 2.3.3 用户兴趣层次划分参数对相似度计算结果的影响 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 用户行为轨迹时空相似度分析 | 第30-52页 |
| 3.1 位置服务的社交网络 | 第30-32页 |
| 3.1.1 基于位置的服务 | 第30-31页 |
| 3.1.2 位置服务社交网络 | 第31-32页 |
| 3.2 用户行为轨迹建模 | 第32-36页 |
| 3.2.1 签到点聚类 | 第32-34页 |
| 3.2.2 分层建模以及各层相似度加权 | 第34-36页 |
| 3.3 用户行为轨迹整体相似度 | 第36-40页 |
| 3.4 用户行为轨迹局部相似度 | 第40-44页 |
| 3.5 用户行为轨迹整体相似度与局部相似度的统一 | 第44页 |
| 3.6 实验结果分析 | 第44-51页 |
| 3.6.1 实验数据集说明 | 第44-45页 |
| 3.6.2 其它轨迹相似性度量算法 | 第45-47页 |
| 3.6.3 算法有效性验证 | 第47-50页 |
| 3.6.4 聚类参数对轨迹相似度的影响 | 第50-51页 |
| 3.7 本章小结 | 第51-52页 |
| 4 基于协同过滤的移动互联网广告推荐 | 第52-70页 |
| 4.1 协同过虑推荐系统相关理论 | 第52-58页 |
| 4.1.1 协同过虑推荐的原理 | 第52-53页 |
| 4.1.2 协同过滤推荐的步骤 | 第53-55页 |
| 4.1.3 协同过滤推荐的分类 | 第55-58页 |
| 4.2 协同过滤广告推荐 | 第58-59页 |
| 4.3 广告点击平滑优化处理 | 第59-61页 |
| 4.4 广告流行度优化处理 | 第61-62页 |
| 4.5 实验结果分析 | 第62-67页 |
| 4.5.1 实验数据集说明 | 第62-64页 |
| 4.5.2 算法有效性验证 | 第64-67页 |
| 4.6 推荐算法评测指标 | 第67-69页 |
| 4.6.1 常用的评测方法 | 第67-68页 |
| 4.6.2 用户问卷调查表的设计 | 第68页 |
| 4.6.3 推荐算法评测指标的定义 | 第68-69页 |
| 4.7 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录A 用户对移动广告点击情况问卷调查表 | 第74-76页 |
| 攻读硕士学位期间发表论文及科研成果 | 第76-77页 |
| 致谢 | 第77-78页 |