基于LBSN的轨迹数据挖掘算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 地理兴趣点推荐相关研究 | 第13-14页 |
| 1.2.2 路径推荐相关研究 | 第14-15页 |
| 1.2.3 现有工作存在的问题 | 第15页 |
| 1.3 主要研究工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 理论基础和相关研究 | 第18-33页 |
| 2.1 引言 | 第18-19页 |
| 2.2 协同过滤推荐技术基础理论 | 第19-23页 |
| 2.2.1 基于内存协同过滤 | 第19-21页 |
| 2.2.2 基于模型协同过滤 | 第21-22页 |
| 2.2.3 混合协同过滤 | 第22-23页 |
| 2.3 矩阵分解技术在POI推荐中的应用 | 第23-25页 |
| 2.4 机器学习在POI推荐中的应用 | 第25-28页 |
| 2.5 地理兴趣点(POI)推荐 | 第28-31页 |
| 2.5.1 地理兴趣点推荐分析 | 第28页 |
| 2.5.2 地理兴趣点推荐模型分类 | 第28-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 基于矩阵因子分解的地理兴趣点推荐方法 | 第33-53页 |
| 3.1 引言 | 第33页 |
| 3.2 兴趣点推荐问题定义 | 第33-34页 |
| 3.3 基于矩阵因子分解的地理兴趣点推荐框架 | 第34-35页 |
| 3.4 目标函数和影响因子 | 第35-40页 |
| 3.4.1 基于排序的目标函数 | 第35-37页 |
| 3.4.2 影响因子 | 第37-40页 |
| 3.5 GeoUFM推荐模型及其优化 | 第40-45页 |
| 3.5.1 多因子的推荐模型GeoUFM | 第40-42页 |
| 3.5.2 模型的优化和学习 | 第42-45页 |
| 3.6 实验 | 第45-52页 |
| 3.6.1 实验数据 | 第45-46页 |
| 3.6.2 基准方法 | 第46-47页 |
| 3.6.3 性能评价指标 | 第47页 |
| 3.6.4 实验内容 | 第47-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 基于矩阵因子分解的路径推荐方法 | 第53-61页 |
| 4.1 引言 | 第53页 |
| 4.2 个性化路径推荐问题定义 | 第53-54页 |
| 4.3 个性化路径推荐模型 | 第54-58页 |
| 4.3.1 用户对地理兴趣点的偏好 | 第54页 |
| 4.3.2 地理兴趣点的日内时间流行度 | 第54-55页 |
| 4.3.3 地理兴趣点的月流行度 | 第55页 |
| 4.3.4 地理兴趣点间的距离以及移动用时 | 第55-56页 |
| 4.3.5 个性化路径推荐框架 | 第56-58页 |
| 4.4 算法性能测试 | 第58-60页 |
| 4.4.1 衡量指标 | 第59页 |
| 4.4.2 基准方法 | 第59页 |
| 4.4.3 实验结果及其分析 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读硕士学位期间发表论文 | 第68-69页 |
| 附录B 攻读硕士学位期间所参与的项目 | 第69页 |
