一、移动环境下的最近邻居查询(论文文献综述)
王娜娜[1](2021)在《基于类别偏好和用户兴趣的餐厅推荐算法》文中研究表明线上点餐逐渐成为一种新的就餐形式,而面对线上海量的餐厅类别、评论、评分等信息时,用户难以从中快速、准确地挑选出自己感兴趣的餐厅。为了解决这个问题,本文提出一种基于类别偏好和用户兴趣的餐厅推荐算法。首先,建立基于FTF-IDF算法和Word2Vec的分类模型,根据用户个人偏好将餐厅评论文本主要分为(口味、环境、服务)三大类;其次,在推荐餐厅时,本文提出基于用户多属性和用户—餐厅评分相似度的推荐算法。主要研究内容如下:(1)建立基于FTF-IDF算法和Word2Vec的分类模型以解决餐评分类不准确的问题。首先,考虑到TF-IDF在计算文本词频时,未考虑词语自身词性对计算值的影响,提出在传统TF-IDF算法的基础上引入贡献因子。其次,通过在TF-IDF中增加贡献因子得到基于词性的权重值,并将其作为Word2Vec模型词向量的权重值,进而计算每篇文档的词向量;最后,使用SVM支持向量机进行训练,得到分类的实验文本。(2)构建基于用户多属性和用户—餐厅评分相似度的推荐算法以提高个性化推荐准确率。首先,获取用户的个人信息,计算用户间的属性相似度,主要信息包括性别、年龄、职业;其次,构建用户—餐厅评分矩阵,提出综合考虑用户不同偏好的餐厅评分公式,计算用户—餐厅评分相似度;最后,组合两种相似度公式,运用评分预测公式预测评分,将Top-N个餐厅推荐给用户。实验结果表明,本文提出的基于类别偏好和用户兴趣的餐厅推荐算法(CICF)能够准确、有效地提高餐厅分类准确度、用户就餐体验度以及餐厅推荐准确度。本文创新地考虑到用户对餐厅类别的偏好以及用户属性信息对餐厅推荐系统的影响,通过文本分类和构建评分公式进行评分预测。本文的研究能够有效地对餐厅评论进行类别分类;同时,通过使用权重函数构建用户—餐厅评分公式能有效对用户进行个性化餐厅推荐。另外,本文的研究也为餐饮行业的后续发展提供了理论基础。图[30]表[14]参[63]
卢秀芸,孙小培,朱玉全[2](2017)在《移动环境下基于掩护区域的最近邻居查询研究》文中进行了进一步梳理针对移动环境下最近邻居空间查询的位置保护问题,提出基于掩护区域和移动方向的最近邻居空间查询(PSDNN)算法。PSDNN算法使用掩护区域替代掩护位置,结合移动用户的方向,从而在空间网络的最近邻居查询过程中有效保护移动用户的位置信息。实验结果表明,PSDNN算法的位置隐藏机制是可行的。
赵淼佟[3](2017)在《移动环境下基于轨迹挖掘的个性化推荐系统设计与实现》文中研究说明由于信息技术的飞速发展以及信息内容的不断增多,使得“信息过载”问题越发严重。推荐系统因其能够帮助人们从繁杂的信息中发现感兴趣的内容而受到了各界人士的普遍关注,对其进行了深入的研究并应用于实际,效果显着。但是传统的推荐系统在进行推荐时,往往只考虑了用户对项目的偏好数据,而忽略了用户的轨迹数据特征。轨迹数据是对移动对象运动行为的序列化表示,通过分析和挖掘轨迹数据更能够反映出移动对象的运动规律以及行为模式,对提高个性化推荐系统的准确率以及用户的满意度有着非常重要的意义。因此,本文设计并实现了一种在移动环境下基于轨迹挖掘的个性化推荐系统,论文主要围绕以下内容进行研究:(1)研究使用基于时空Hausdorff距离的异常检测算法对轨迹数据进行预处理。在TRAOD(Trajectory Outlier Detection)算法的基础上,结合道路网络交通,同时考虑轨迹数据的时间特性对线段Hausdorff距离进行改进,从而提高异常轨迹检测的准确率与效率。用该算法去除轨迹中的异常数据,为下一步的轨迹聚类提供有效的数据。(2)研究使用基于路网约束的移动对象时空轨迹高效聚类算法(Spatio-Temporal Road-Network Aware Trajectory Clustering Algorithm,ST-NEAT)进行轨迹聚类分析,发现用户的运动规律和行为模式。该算法同时考虑轨迹数据的空间属性和时间属性,且能够获取用户不同时段的轨迹信息,不仅提高了聚类质量,而且有利于为用户提供不同时段的有针对性的推荐服务。(3)在上述理论技术的支持下,设计并实现了个性化的推荐系统,为用户提供朋友推荐、地点推荐以及其他一些辅助的个性化推荐功能,能够更加准确的为用户推荐与其相近的用户以及更符合其兴趣偏好的地点等内容。
郭飞鹏[4](2017)在《面向用户隐私关注问题的移动个性化信息推荐服务研究》文中认为伴随着移动智能终端和无线网络技术的快速发展,用户对随时随地能够方便地获取互联网信息和服务的需求日渐增长,移动商务应用正在向着更深、更广的维度不断突破发展。作为移动商务“杀手锏”应用的移动个性化推荐系统及信息服务MPIRS可以有效缓解用户信息过载并提升服务质量,其应用水平已经成为互联网企业创新发展能力的重要衡量指标。然而,用户在享受优质MPIRS的同时,也被动暴露了大量的用户隐私信息。同时,移动用户的人格特质、社交关系、上下文、情感倾向性等复杂因素对其偏好具有重要的影响。上述特征使得提供隐私关注下高质量的MPIRS变得极具挑战性。因此,研究在隐私关注下如何利用个性化推荐技术提高用户采纳MPIRS的意愿,降低用户隐私关注的同时提供高质量的推荐服务迫在眉睫。本文探讨移动用户隐私关注的心理认知过程,重点研究在移动商务服务中,影响用户隐私关注的因素及其采纳个性化信息推荐服务行为的隐私机制。在此基础上,研究面向用户隐私关注问题的移动个性化信息推荐理论与方法,以网络用户理性行为理论、社交网络理论、“大五人格”理论、隐私关注理论等作为理论基础,采用文本挖掘、上下文计算、结构方程模型(SEM)、协同过滤推荐等方法实现高质量的推荐服务,降低移动用户采纳个性化信息推荐服务中的隐私关注程度。主要研究工作包括以下四个部分:(1)MPIRS中用户隐私关注影响因素研究针对MPIRS中用户隐私关注的认知过程研究,包括隐私关注的构成、影响隐私关注的要素、以及如何对这些要素之间的关系进行测度。本文重点研究了隐私关注和理性行为理论,并基于上述理论构建面向用户隐私关注问题的MPIRS采纳行为理论模型。首先,将隐私关注影响因素从用户视阈归纳为用户隐私倾向、用户内控点、用户开放性、用户外向性、用户随和性和社交群体影响。然后,开发了移动用户隐私关注前因量表,对这些变量进行定义,并建立这6个因素与隐私关注4个维度之间关系的研究假设。在此基础上,研究各个影响因素对隐私关注4维度的影响,深入分析用户在采纳MPIRS过程中的隐私关注强度、隐私偏好心理及网络行为习惯。第三,通过对上述6类移动用户隐私关注影响因素的分析,本文提出了基于SEM的隐私关注影响因素关系模型。SEM路径模型验证了本文提出的假设,确定隐私关注结构及影响机理,为后续第4和第5章用户偏好建模和个性化推荐算法设计奠定理论基础。(2)隐私关注下基于情感倾向性分析的移动上下文推荐方法研究针对移动上下文推荐中的隐私关注问题,本文提出了一个隐私关注下基于情感倾向性分析的移动上下文推荐方法PS-HCF。首先,通过基于情感词汇本体库的文本情感倾向性分析方法STAS预测潜在未知的用户偏好,即利用文本情感分析技术提取情感特征,进行文本情感偏好挖掘。然后,分析论文第3章提出的6类隐私关注影响因素对移动用户采纳MPIRS的影响,引入“隐私关注强度”的概念,并提出融入隐私关注强度的基于用户的协同过滤方法PI-UCF,利用用户隐私关注强度来寻找近邻集,并利用已知评分来预测目标用户的评分;第三,本文提出融合上下文和情感信息的基于用户的协同过滤方法CS-UCF。基于上下文信息使用上下文相似度计算方法对“用户—商品/服务”进行聚类,使得每个子类中的“用户—商品/服务”有相似的上下文。在此基础上结合用户的情感评分和上下文相似度来进行协同过滤推荐。最终,PS-HCF方法综合PI-UCF和CS-UCF的预测评分生成推荐结果。PS-HCF方法融合隐私关注强度、情感倾向性等信息较好地解决了移动推荐中的数据稀疏性等问题,并降低了用户隐私关注程度。(3)隐私关注下基于人格特质与用户关系强度的移动社交网络推荐方法研究针对移动社交网络推荐中的隐私关注问题,本文提出了隐私关注下基于人格特质与用户关系强度的移动社交网络推荐方法PC-MSPR。首先,PC-MSPR重点分析了开放性、外向性、随和性这三个人格特质对移动用户网络行为的影响,并创新性地将隐私关注偏好度融入到个体人格特质计算模型中。然后将上述四个影响因子进行量化,设计了一种融入隐私偏好度的人格特质计算方法PP-PTM,建立客观化网络行为特征与考虑隐私关注的人格特征之间的“大五”人格预测模型,克服传统的心理自测量表带来的数据难以获取、规模不大以及调查对象的不认真、不诚实导致数据不可用等问题,且对隐私关注偏好度的考虑,获得了难能可贵的用户隐私偏好。其次,提出一种基于社会网络交互活动和领域本体的用户关系强度计算方法AI-URS。AI-URS对交互活动进行活动领域的划分,计算属于同一活动领域的用户间关系强度。同时,以交互活动文档为依据计算同一领域中用户的单向综合关系强度,包括直接关系与间接关系,克服了以往研究中只能计算直接关联用户关系强度的局限,提高计算结果的准确性。最终,将隐私关注的人格特质和用户社交关系融入到协同过滤推荐中用户的相似度计算,解决了传统的数据稀疏性等问题,并降低了用户隐私关注程度。(4)面向用户隐私关注问题的MPIRS应用研究将本论文提出的模型与方法应用于移动商务环境下面向用户隐私关注问题的MPIRS中。首先,研究设计移动个性化信息推荐平台MRecommend的体系框架并实现软件系统,包括网络数据采集模块、情感倾向性计算模块、移动个性化推荐算法实现模块等;其次,结合具体手机商品移动购物应用,构建了基于社会化标签的领域本体、基于领域本体的用户上下文管理模型,以及融入评论特征的手机领域本体模型,实现MPIRS过程中的多元信息表达与管理。最后,提出对移动商务企业在隐私关注和推荐策略的管理启示,包括对移动商务企业在隐私机制方面的改进方向,以及提高移动个性化推荐质量及用户采纳MPIRS意愿的措施和建议。
张安磊[5](2014)在《泛在移动环境特色数字资源个性化推送系统研究》文中提出近年来,随着网络中信息的不断增加,用户想要找到自己感兴趣的信息变得非常困难。而对于研究学者更是如此,他们往往需要很长的时间才能找到自己想要的信息。如何帮助相关学者在较短时间内找到自己需要的信息,成为一个复杂的研究课题。使用特色数据库能有效的缩小学者的搜索范围,但是数据库中的数据量仍然巨大,还需要进一步的对数据进行筛选。在这种情况下,传统的信息搜索方法已经不足以满足用户的需求,个性化推送作为一种可以为学者主动推送特色数字资源的方法,是一种有效的解决方法。而在系统体验方面,学者不同于其他普通用户,他们往往对系统的需求较高,移动设备的普及,也使得这部分用户不再满足于传统的个性化推送终端。使用移动终端既可以使学者随时随地的得到推送资源信息,又可以使学者充分利用零碎时间以提高研究效率。因此,综合上述两方面,本文使用移动平台和个性化推送的方法来帮助学者在较短时间得到自己感兴趣的特色数字资源信息。标签作为一种准确、灵活的分类方式,是对文献资源主题的精炼提取,并可以有效的反映出学者的兴趣以及特色数字资源的特征。标签使学者与特色数字资源联系起来,借鉴PageRank算法的思想,可以将其转化为用户-标签-特色数字资源这种三元关系。该算法主要包括三个部分,首先计算当前用户与其他用户的余弦相似度以排除掉相似度较低的用户以及该用户的相关信息,构建出一个新的用户-标签-特色数字资源矩阵,然后使用SimTagRank算法对这些特色数字资源进行排序,最后为用户推送排名前5的特色数字资源。基于该标签个性化推送方法,并且针对移动环境下对个性化推送的要求。本文首先通过UML图和系统结构图设计了系统的功能以及业务流程,然后根据这些功能详细设计了数据库的表结构,最后初步构建并实现了基于该算法的个性化推送系统并给出了该系统的评价测试。未来为了提高推送效率,该系统中可以增加相关的有助于个性化推送的功能,并构建用户、标签和特色数字资源的快速索引。希望本文能够提供一些研究思路,以帮助相关学者快速找到自己需要的特色数字资源。
刘海鸥[6](2013)在《云环境用户情景兴趣的移动商务推荐模型及应用研究》文中指出移动互联网爆炸式增长、电子商务的迅猛发展以及智能手机的快速普及,使“移动互联新生态”在全球范围内迅速成长,其个性化推荐系统也跻身为提高企业竞争力、满足用户即时个性化需求的利器。但移动商务的特殊性使传统推荐系统难以简单移植并满足“数字宇宙”时代的特殊需求。本文的研究目的在于通过系统结合用户情景兴趣与云计算技术,提出面向云环境用户情景兴趣的移动商务推荐模型,解决云环境下移动商务用户的情景推荐、信任推荐、多兴趣推荐以及服务质量偏好预测推荐等问题,最终为移动商务用户推荐与当前情景最为关联的即时服务。针对论文特点,在研究过程中使用了社交网络方法、蚁群聚类方法、蚁群神经网络方法等。本文从事的研究工作主要如下:(1)针对移动商务情景推荐问题,结合云计算技术与移动商务用户情景,构建了基于移动商务用户情景兴趣的协同过滤推荐模型。通过计算基于移动商务用户的情景相似度,构造了与目标用户当前情景相似的情景集合,然后建立基于项目评分情景和评分矩阵,并通过MapReduce化的协同过滤推荐方法实现并行推荐。(2)针对传统协同过滤存在的数据稀疏、冷启动问题,构建了不同信任信息条件下云环境用户情景兴趣的推荐模型。基于情景兴趣与富信任信息的移动商务推荐模型引入了用户间信任关系解决协同过滤算法存在的数据稀疏性问题,并采用MapReduce的数据处理方式解决大规模的复杂社会网推荐问题;基于情景兴趣与稀疏信任信息的移动商务推荐模型主要致力于解决现实情况下可用信任信息较少导致的推荐不准确问题。(3)针对用户单兴趣表示存在的问题,构建了云环境用户多情景兴趣的移动商务蚁群聚类推荐模型。该模型通过对用户情景兴趣进行层次划分,使用改进的层次聚类算法和新的目标函数生成聚类的兴趣树,构造多层次蚁群搜索路径来发现目标用户的若干最近邻类簇,利用类簇内其他用户对目标项目的评分预测未评分项目的评分,最后结合MapReduce与协同过滤思想设计相应推荐算法。(4)针对移动商务服务质量(QoS)偏好预测推荐问题,构建了基于用户位置情景与蚁群神经网络的QoS服务预测混合推荐模型。模型基于用户位置情景信息将网站的所有服务与用户按自治系统进行聚类,由此构建用户——服务矩阵;然后将采用基于用户和基于项目的方法预测的QoS值合并为一个矩阵,以此作为MapReduce化的蚁群神经网络输入进行权值训练,通过权值训练可获得不同协同过滤方法在不同环境下对应的权值;最后根据这些权值得到最终服务质量预测的QoS值。(5)针对用户情景兴趣的移动商务推荐模型应用问题,设计了一个移动商务景点推荐架构并进行了实证研究。首先,基于云计算思想建立旅游移动商务的景点推荐系统原型框架,在此基础上构建面向景点推荐的用户情景兴趣模型;然后,以秦皇岛高校大学生为研究对象进行实证研究。实证结果验证了本文景点推荐系统的可行性,能够满足手机用户当前的个性化景点推荐需求。
闵寻优[7](2011)在《空间数据库中移动对象的连续最近邻查询研究》文中研究指明空间数据库的重要性日益增加,其应用的范围已远远超出传统的GIS(geographic information system)领域。最近邻居查找在空间数据库中占据着重要的位置。在传统的最近邻居搜索方法中查询点是静止的。由于近年来无线通讯以及追踪移动对象位置技术获得了大力发展,因此动态对象发出的查询请求成为新的研究热点。连续最近邻(CNN,continuous nearest neighbor)查询是空间数据库中一种非常重要的查询,它用来查询一给定轨迹上每个点的最近邻,作为最近邻查询的一种扩展,随着卫星定位系统和无线通讯技术的快速发展,跟踪并记录移动对象的位置成为可能,使得CNN查询成为研究的重点和难点。从空间数据库中获得数据的有效方法经常是通过使用索引来完成的。空间索引的基本思想,实际上也是所有的空间查询过程的基本思想,就是对近似的使用。这种方法可以让索引结构按照一个或多个空间码来管理对象,这些空间码是比对象本身更简单的几何对象。一个最基本的例子是外包框(围住对象的与坐标轴平行的最小矩形)。本课题分析了当前已经存在的几种连续最近邻查询方法,由于目前为止连续最近邻查询方法中最有效的算法就是2002年Tao提出的CNN算法,所以将该算法的方法进行了详细的介绍。以往的研究成果大都是针对二维空间中的连续最近邻查询的,但在现实生活中,人们周围的世界是以三维空间的形式存在的,为了弥补这个缺憾,提出了三维空间中的连续最近邻查询来满足更高的查询需求。提出了垂直平分面、分割点和邻接球的概念,并基于R树实现了三维空间中的CNN查询算法,对空间数据的海量性,利用剪枝规则和空间索引结构减少了结点的访问数量,大大的提高了查询效率。给出了核心算法的相关伪代码,结合具体实例分析了算法的执行过程,最后通过模拟实验的结果对算法的性能进行了分析。
王淼[8](2010)在《基于Voroni图的近邻查询及方向关系推理的研究》文中研究表明随着地理信息系统应用的不断普及和空间数据库系统的广泛应用,空间查询与推理作为空间数据库系统的基本功能受到了广泛地关注。本文就空间查询与推理中的热点问题进行研究,重点研究了最近邻查询,反向最近邻查询及空间方向关系推理。空间查询中的最近邻查询及其扩展问题反向最近邻查询问题是空间数据库研究领域中的基础性问题,它们广泛地应用于地理信息系统,模式识别,决策支持等众多领域。现有的近邻及反向最近邻查询算法大多是基于遍历R-树实现的,众所周知,由于R-树中结点对应的最小外包矩形之间存在覆盖和交叠从而导致不必要地搜索并且随着这种覆盖和交叠的增大算法的性能急剧恶化。针对上述问题本文利用Voronoi图及其对偶图Delaunay三角网对空间最近邻及反向最近邻查询进行了系统地研究。提出了一种融入Voronoi图信息的近邻查询的索引树。利用该索引结构并在深入分析Voronoi图的性质基础上对静态数据环境下的最近邻和连续近邻查询进行了深入的研究:提出了一个最近邻查询算法;提出了一个k近邻查询算法,该算法利用Voronoi图的性质缩小了查询的范围,提高了查询的效率;提出了一个连续最近邻查询算法,实现了查询轨迹为任意曲线的连续最近邻查询;提出了一种动态创建局部k阶级Voronoi子图的连续k近邻查询算法。提出一种利用Delaunay三角网进行反向最近邻查询的算法。该算法以Delaunay三角网的增量生成过程为基础,将记录着数据集上Delaunay三角网的增量生成过程的Delaunay树做为查询的索引结构。每当有查询需求时,将查询点插入到当前的Delaunay三角网中,利用Delaunay三角网的性质将查询搜索的范围限定在不超过6个点的集合中,而且该算法适宜解决动态地插入或删除数据点时所给定查询点的反向最近邻查询。方向关系推理是定性空间推理的组成部分,是当前空间数据库领域研究的热点问题。当前的研究存在以下问题:表达和推理的精度不高;三维空间方向关系的研究滞后。针对上述问题本文进行了如下研究。提出了一种针对对象本身的空间方向关系的反关系推理算法,在理论上对该算法的正确性和完备性进行了证明,并通过与实际情形的逐一对比验证了该算法的正确性和完备性。提出了一种基于投影的三维空间方向关系表达模型,给出了该模型的形式化定义,进而给出了该模型下基本主方向关系的合成运算方法,并对其正确性进行了证明,进一步通过实例验证了该合成方法的正确性。提出了定性坐标的概念,基于此概念提了一种空间区域对象位置关系表达模型,该模型通过定性坐标将方向关系和距离关系紧密地结合在一起,形成了统一的表达和推理模型。基于该模型提出了一个主方向关系推理算法,该算法有效地降低了推理的不确定性,提高了推理的精度。
孙小培[9](2010)在《移动环境下最近邻居空间位置查询方法的研究》文中进行了进一步梳理移动环境是网络发展的必然趋势,该环境下的应用日益普及。空间位置查询是移动环境中一项基本的应用,最近邻居查询是空间位置查询中最重要的一类,其主要目标是使用户更加快速、准确的获取位置信息。虽然传统的最近邻居查询在相关领域已取得了成功的应用,其作用也得到一定程度的认可,但是随着时代的进步和科学技术的不断发展,人们对该技术提出了更高的要求,这意味着需要研究新的最近邻居查询方法来满足人们的这些需求,因此,本项目的研究具有重要的理论意义和广泛的应用前景。论文介绍了移动环境下最近邻居查询的研究现状和基本知识,重点对静态环境下和动态环境下最近邻居查询问题进行了研究。对于前者,主要针对查询方式进行研究,提出了一种基于共享移动客户信息的最近邻居查询算法,该方法充分利用等待结果的时间间隔从其它客户端获取共享信息,提高移动客户的响应时间。对于后者,主要针对移动动象索引技术进行研究,改进了索引结构,提出了一种基于该索引的连续最近邻居查询算法,提高了移动客户的查询效率。论文的主要研究成果包括以下几个方面:1、介绍了移动环境下的最近邻居查询技术的相关知识。针对静态环境下最近邻居查询的查询方式,根据空间查询结果的位置性,提出了利用P2P技术来共享邻近移动客户端的信息以提高查询及时性。2、提出了一种基于共享客户信息的最近邻居查询算法SRNN,给出了静态环境下最近邻居查询的流程。通过模拟实验对该方法进行验证。实验结果表明SRNN方法可以降低移动客户的等待时间,使用户及时的获取信息。3、根据移动对象速度分布的特殊性以及移动方向的差异性,提出了一种移动对象索引MDTPR树。4、提出了基于MDTPR树索引结构的连续最近邻居查询算法MDCNN,给出了动态环境下最近邻居查询的流程。通过模拟实验对该方法进行验证。实验结果表明MDCNN方法可以减少磁盘访问次数。5、给出了最近邻居查询的应用案例,该案例论证了本文所提出的方法。
孙小培,朱玉全,陈耿,桑丘[10](2009)在《移动环境下基于共享客户信息的空间位置查询》文中认为针对移动环境下空间位置查询不能及时得到响应等问题,提出了一种基于最共享邻近客户信息的空间位置查询算法(SRNN)。该算法充分利用客户本身所具有的通信和计算能力,共享周围客户的信息,减轻了中心服务器的负担,同时降低了移动客户的等待时间。实验结果表明,SRNN算法是可行有效的。
二、移动环境下的最近邻居查询(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、移动环境下的最近邻居查询(论文提纲范文)
(1)基于类别偏好和用户兴趣的餐厅推荐算法(论文提纲范文)
摘要 |
Abstract |
引言 |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 论文组织结构 |
第2章 相关知识介绍 |
2.1 文本分类概述 |
2.1.1 预处理文本 |
2.1.2 文本表示 |
2.2 推荐技术基本概述 |
2.2.1 基于内容的推荐算法 |
2.2.2 基于协同过滤的推荐算法 |
2.2.3 基于数据挖掘的推荐算法 |
2.2.4 基于知识的推荐算法 |
2.3 常见推荐系统的应用 |
2.3.1 视频和电影网站 |
2.3.2 社交网络 |
2.3.3 电子商务领域 |
2.4 目前推荐系统存在的不足 |
2.5 本章小节 |
第3章 基于FTF-IDF和Word2Vec的餐评文本分类模型 |
3.1 模型概述 |
3.1.1 TF-IDF算法 |
3.1.2 Word2Vec模型 |
3.2 基于FTF-IDF和Word2Vec的类别偏好文本分类模型的构建 |
3.2.1 FTF-IDF概述 |
3.2.2 构建短文本分类模型 |
3.2.3 先期准备工作 |
3.2.4 构建模型的工作流程 |
3.3 实验与分析 |
3.3.1 实验数据 |
3.3.2 性能评价指标 |
3.3.3 实验分析与对比 |
3.4 本章小结 |
第4章 基于类别偏好和用户兴趣的餐厅推荐系统 |
4.1 基于多属性的用户相似度 |
4.1.1 定义用户相似度 |
4.1.2 计算多属性相似度 |
4.1.3 计算用户多属性相似度 |
4.2 构建用户—餐厅评价矩阵 |
4.2.1 获取数据 |
4.2.2 定义用户—餐厅评分公式 |
4.2.3 填充用户—餐厅评分矩阵 |
4.3 基于CICF组合相似度的推荐 |
4.3.1 组合相似度的计算 |
4.3.2 Top-N推荐 |
4.3.3 CICF算法的描述 |
4.3.4 CICF算法流程图 |
4.4 实验与分析 |
4.4.1 实验数据 |
4.4.2 评价方法和指标 |
4.4.3 实验参数设置 |
4.4.4 实验结果及分析 |
4.5 本章小节 |
第5章 总结与展望 |
5.1 本文总结 |
5.2 工作展望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
(2)移动环境下基于掩护区域的最近邻居查询研究(论文提纲范文)
1 相关知识及定义 |
2 基于掩护区域和移动方向的空间近邻查询PSDNN |
3 模拟实验及分析 |
4 结束语 |
(3)移动环境下基于轨迹挖掘的个性化推荐系统设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外相关研究进展 |
1.2.1 异常轨迹检测研究进展 |
1.2.2 轨迹聚类研究进展 |
1.2.3 推荐技术研究进展 |
1.3 论文的主要工作 |
1.4 论文的结构安排 |
第二章 相关原理及技术 |
2.1 轨迹数据 |
2.1.1 轨迹数据的特点 |
2.1.2 轨迹数据获取 |
2.2 轨迹挖掘 |
2.2.1 轨迹挖掘步骤 |
2.2.2 异常轨迹检测 |
2.2.3 轨迹聚类 |
2.3 道路网络空间 |
2.3.1 路网空间与欧式空间 |
2.3.2 路网约束的移动对象模型 |
2.4 个性化推荐 |
2.4.1 传统个性化推荐技术 |
2.4.2 移动情境感知个性化推荐技术 |
2.5 本章小结 |
第三章 系统需求分析及核心技术问题概述 |
3.1 系统需求分析 |
3.1.1 需求分析概述 |
3.1.2 系统设计思路分析 |
3.1.3 系统模块划分 |
3.2 系统核心技术问题概述 |
3.2.1 数据预处理问题分析 |
3.2.2 轨迹聚类问题分析 |
3.3 本章小结 |
第四章 系统核心技术研究 |
4.1 数据预处理算法研究 |
4.1.1 基础数据清洗 |
4.1.2 基于时空Hausdorff距离异常检测的预处理方法 |
4.1.2.1 道路交通网路 |
4.1.2.2 改进的Hausdorff距离 |
4.1.2.3 相似性度量 |
4.1.2.4 算法实现 |
4.1.3 算法性能分析 |
4.2 轨迹聚类算法研究 |
4.2.1 ST-NEAT模型 |
4.2.1.1 相关模型定义 |
4.2.1.2 模型构建 |
4.2.2 ST-NEAT算法 |
4.2.2.1 轨迹分段 |
4.2.2.2 轨迹聚类 |
4.2.2.3 精炼结果 |
4.2.3 基于时间聚焦的聚类结果分析 |
4.2.4 算法性能分析 |
4.2.4.1 实验环境及数据 |
4.2.4.2 模拟器生成轨迹 |
4.2.4.3 ST-NEAT三步聚类 |
4.2.4.4 时间聚焦思想 |
4.2.5 性能对比试验 |
4.3 协同过滤算法研究 |
4.4 本章小结 |
第五章 系统的设计与实现 |
5.1 系统总体设计 |
5.2 系统模块设计与实现 |
5.2.1 数据获取模块 |
5.2.2 数据预处理模块 |
5.2.2.1 数据清洗 |
5.2.2.2 异常轨迹检测 |
5.2.3 数据存储模块 |
5.2.4 挖掘处理模块 |
5.2.4.1 轨迹聚类 |
5.2.4.2 协同过滤 |
5.2.5 个性化推荐模块 |
5.3 本章小结 |
第六章 系统测试 |
6.1 测试环境 |
6.1.1 硬件环境 |
6.1.2 软件环境 |
6.2 测试目的 |
6.3 测试用例 |
6.4 测试结果 |
6.4.1 功能测试 |
6.4.2 性能测试 |
6.5 测试总结 |
6.6 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
(4)面向用户隐私关注问题的移动个性化信息推荐服务研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 论文的主要研究内容、章节安排 |
1.2.1 研究问题提出及目的 |
1.2.2 论文的主要研究内容及创新点 |
1.2.3 论文的章节安排 |
第2章 相关理论与基础研究综述 |
2.1 移动个性化信息推荐服务研究综述 |
2.1.1 移动互联网的基本概念 |
2.1.2 移动个性化信息推荐系统 |
2.1.3 移动个性化信息推荐中的隐私问题 |
2.2 隐私及隐私关注研究综述 |
2.2.1 隐私和信息隐私的定义 |
2.2.2 隐私数据的分类 |
2.2.3 隐私关注及影响因素 |
2.2.4 隐私关注研究理论 |
2.3 协同过滤推荐方法研究综述 |
2.3.1 基于内存的协同过滤方法 |
2.3.2 基于模型的协同过滤方法 |
2.3.3 协同过滤推荐方法存在的问题 |
2.4 本章小结 |
第3章 移动个性化信息推荐服务中用户隐私关注影响因素研究 |
3.1 问题提出及描述 |
3.2 相关研究 |
3.2.1 隐私关注及测量模型研究 |
3.2.2 隐私关注影响因素研究 |
3.2.3 隐私关注对采纳行为影响研究 |
3.3 研究思路 |
3.4 研究变量和研究假设 |
3.4.1 隐私关注影响因素 |
3.4.2 隐私关注与采纳意愿 |
3.5 用户隐私关注影响因素的研究变量测量和数据分析 |
3.5.1 量表设计 |
3.5.2 样本选取 |
3.5.3 调查问卷的信度与效度分析 |
3.6 基于SEM的MPIRS隐私关注影响因素假设检验与模型拟合度分析 |
3.6.1 假设检验与模型拟合度 |
3.6.2 研究结论 |
3.7 本章小结 |
第4章 隐私关注下基于情感倾向性分析的移动上下文推荐方法研究 |
4.1 问题提出及描述 |
4.2 相关工作 |
4.2.1 考虑上下文和隐私关注的移动推荐系统研究 |
4.2.2 文本情感倾向性分析研究 |
4.2.3 基于情感倾向性分析的移动推荐系统研究 |
4.3 基于情感词汇本体库的文本情感倾向性分析 |
4.3.1 情感词汇本体库的构建 |
4.3.2 基于情感词汇本体库的情感倾向性分析算法 |
4.4 考虑隐私关注的基于情感倾向性分析的混合协同推荐方法 |
4.4.1 融入隐私关注强度的基于用户的协同过滤方法 |
4.4.2 融合上下文和情感信息的基于用户的协同过滤方法 |
4.4.3 基于预测评分融合的混合协同推荐方法 |
4.5 实验与分析 |
4.5.1 数据采集 |
4.5.2 评价标准 |
4.5.3 基于情感词汇本体库的文本情感倾向性分析实验结果 |
4.5.4 考虑隐私关注的基于情感倾向性分析的混合协同推荐方法实验结果 |
4.6 本章小结 |
第5章 隐私关注下基于人格特质与用户关系强度的移动社交网络推荐方法研究 |
5.1 问题提出及描述 |
5.2 相关工作 |
5.2.1 大五人格与用户网络行为的关系研究 |
5.2.2 社会化网络中用户关系强度与人格特质研究 |
5.2.3 社会化网络中推荐服务与隐私保护研究 |
5.3 隐私关注下基于人格特质和用户关系强度的移动社交网络推荐方法 |
5.3.1 融入隐私偏好度的人格特质度量方法 |
5.3.2 基于社会网络交互活动和领域本体的用户关系强度计算方法 |
5.3.3 考虑隐私关注的融合用户人格特质和社会关系强度的协同过滤推荐方法 |
5.4 实验及分析 |
5.4.1 数据采集和评价标准 |
5.4.2 融入隐私偏好度的人格特质度量实验结果 |
5.4.3 基于社会网络交互活动和领域本体的用户关系强度计算方法实验结果 |
5.4.4 考虑隐私关注的融合用户人格特质和社会化关系强度的协同过滤推荐方法实验结果 |
5.5 本章小结 |
第6章 面向用户隐私关注问题的移动个性化信息推荐服务应用研究 |
6.1 面向用户隐私关注问题的移动个性化信息推荐系统设计 |
6.1.1 移动个性化信息推荐系统开发平台 |
6.1.2 移动个性化信息推荐系统框架 |
6.2 基于MRecommend框架的移动个性化信息推荐系统实现 |
6.2.1 网络数据采集模块 |
6.2.2 情感倾向性计算模块 |
6.2.3 MRecommend节点执行流程 |
6.2.4 MRecommend算法模型 |
6.2.5 MRecommend算法实现 |
6.3 面向移动个性化信息推荐服务的本体建模 |
6.3.1 本体的概念 |
6.3.2 本体的描述语言 |
6.3.3 基于社会化标签的领域本体建模 |
6.3.4 基于领域本体的用户上下文建模 |
6.3.5 融入评论特征的手机领域本体建模 |
6.4 对移动互联网企业在隐私关注和推荐策略的管理启示 |
6.4.1 在隐私关注方面的建议 |
6.4.2 对考虑隐私关注的推荐策略方面的建议 |
6.5 本章小结 |
第7章 研究总结与展望 |
7.1 研究结论总述 |
7.2 未来研究方向 |
参考文献 |
附录 |
附录1 攻读博士期间的学术成果 |
附录2 调研问卷 |
致谢 |
(5)泛在移动环境特色数字资源个性化推送系统研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景 |
1.2 国内外研究现状综述 |
1.3 本文主要的研究内容和研究意义 |
1.3.1 研究内容 |
1.3.2 研究意义 |
1.4 本文的结构 |
2 移动环境下个性化信息推送概述 |
2.1 个性化信息推送相关理论 |
2.1.1 个性化服务的概念 |
2.1.2 个性化推送的步骤 |
2.1.3 个性化推送技术和方法 |
2.1.4 各种个性化推送技术的优缺点 |
2.2 移动环境下的特点和安卓平台的推送介绍 |
2.2.1 移动计算的特点 |
2.2.2 移动计算环境的特点 |
2.2.3 个性化推送系统在移动环境下的要求 |
2.2.4 使用手机推送的 3 种方式 |
2.2.5 基于安卓平台的个性化推送 |
2.3 基于标签的个性化推送 |
2.3.1 标签与社会化标注 |
2.3.2 基于标签的个性化推送方法 |
2.4 本章小结 |
3 特色数字资源个性化推送算法设计 |
3.1 相似度的几种计算方法 |
3.2 PageRank 算法 |
3.3 对 PageRank 算法的改进 |
3.4 特色数字资源的个性化推送 |
3.4.1 使用相似用户的方法对系统中的用户进行筛选 |
3.4.2 使用 SimTagRank 算法对文献资源推送 |
3.5 本章小结 |
4 特色数字资源个性化推送系统的实现 |
4.1 移动环境下个性化推送系统需求分析 |
4.2 移动环境下个性化推送系统结构和拓扑结构 |
4.3 特色数字资源个性化推送系统建模 |
4.3.1 特色数字资源个性化推送系统用例图 |
4.3.2 特色数字资源个性化推送系统活动图 |
4.3.3 特色数字资源个性化推送系统时序图 |
4.3.4 特色数字资源个性化推送系统类图 |
4.4 特色数字资源个性化推送系统数据库设计 |
4.5 特色数字资源个性化推送系统实现 |
4.6 特色数字资源个性化推送系统评价 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录 |
致谢 |
(6)云环境用户情景兴趣的移动商务推荐模型及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 研究评述 |
1.3 研究内容与方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
第2章 云环境用户情景兴趣的移动商务协同过滤推荐模型 |
2.1 问题提出及解决思路 |
2.1.1 问题提出 |
2.1.2 解决思路 |
2.2 用户情景兴趣的移动商务协同过滤推荐模型 |
2.2.1 传统协同过滤推荐方法 |
2.2.2 移动商务用户情景兴趣描述 |
2.2.3 基于情景兴趣评分矩阵的协同过滤推荐模型 |
2.3 MapReduce 化的协同过滤推荐方法 |
2.3.1 MapReduce 技术 |
2.3.2 MapReduce 化的协同过滤方法 |
2.4 实验验证 |
2.4.1 实验环境 |
2.4.2 数据集选择 |
2.4.3 度量标准 |
2.4.4 推荐系统可扩展性分析 |
2.4.5 推荐结果精准性分析 |
2.5 本章小结 |
第3章 云环境用户情景兴趣的移动商务信任推荐模型 |
3.1 问题提出及解决思路 |
3.1.1 问题提出 |
3.1.2 解决思路 |
3.2 富信任信息环境下用户情景兴趣推荐模型 |
3.2.1 建模思路 |
3.2.2 富信任信息环境下用户情景兴趣推荐方法 |
3.3 稀疏信任信息环境下用户情景兴趣推荐模型 |
3.3.1 建模思路 |
3.3.2 稀疏信任信息环境下用户情景兴趣推荐方法 |
3.4 并行推荐的 MapReduce 化 |
3.4.1 用户向量的 MapReduce 化 |
3.4.2 共生矩阵计算的 MapReduce 化 |
3.4.3 矩阵相乘的 MapReduce 化 |
3.4.4 产生推荐的 MapReduce 化 |
3.5 模型验证 |
3.5.1 数据集的选取 |
3.5.2 度量标准 |
3.5.3 实验结果分析 |
3.6 本章小结 |
第4章 云环境用户多情景兴趣的移动商务蚁群聚类推荐模型 |
4.1 问题提出及解决思路 |
4.1.1 问题提出 |
4.1.2 解决思路 |
4.2 多情景兴趣的蚁群聚类方法 |
4.2.1 层次聚类与蚁群算法 |
4.2.2 蚁群聚类方法 |
4.2.3 算法的 MapReduce 化 |
4.3 多情景兴趣的蚁群聚类推荐模型 |
4.3.1 评分预测 |
4.3.2 产生推荐 |
4.4 模型验证 |
4.4.1 数据集的选取 |
4.4.2 蚁群聚类算法实验 |
4.4.3 Hadoop 蚁群聚类加速性能分析 |
4.4.4 推荐结果精准性分析 |
4.5 本章小结 |
第5章 云环境用户情景兴趣的移动商务 QoS 偏好预测推荐模型 |
5.1 问题提出及解决思路 |
5.1.1 问题提出 |
5.1.2 解决思路 |
5.2 用户情景兴趣的 QoS 偏好矩阵 |
5.2.1 基于位置情景的用户与服务聚类 |
5.2.2 基于用户的 QoS 向量值计算 |
5.2.3 基于项目的 QoS 向量值计算 |
5.2.4 QoS 偏好矩阵构建 |
5.3 用户情景兴趣的蚁群神经网络 QoS 预测推荐模型 |
5.3.1 蚁群神经网络模型的引入 |
5.3.2 蚁群神经网络模型的建立 |
5.3.3 数据归一化处理方法 |
5.3.4 MapReduce 化的权值训练方法 |
5.3.5 服务质量偏好的最终预测 |
5.4 模型验证 |
5.4.1 数据集的选取 |
5.4.2 实验结果分析 |
5.5 本章小结 |
第6章 云环境用户情景兴趣的旅游移动商务推荐实证研究 |
6.1 应用背景 |
6.2 云环境用户情景兴趣的移动商务景点推荐架构 |
6.2.1 设计思路 |
6.2.2 系统主要模块 |
6.3 面向景点推荐的用户情景兴趣建模 |
6.3.1 用户情景的粒度划分 |
6.3.2 旅客情景兴趣模型的建立 |
6.4 景点推荐系统的应用实例 |
6.4.1 实验设计思路 |
6.4.2 用户——项目评分矩阵构建 |
6.4.3 推荐结果及效果分析 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间承担的科研任务与主要成果 |
致谢 |
作者简介 |
(7)空间数据库中移动对象的连续最近邻查询研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 基本概念 |
1.2.2 空间索引结构 |
1.2.3 最近邻查询 |
1.2.4 连续最近邻查询 |
1.2.5 移动对象历史轨迹的最近邻居查询 |
1.3 课题的来源及研究内容 |
1.3.1 课题来源 |
1.3.2 研究的基本内容 |
1.4 本文的组织结构 |
第2章 空间数据库相关理论简介 |
2.1 空间数据库的应用与地理信息系统 |
2.1.1 空间数据库的应用 |
2.1.2 地理信息系统 |
2.2 空间概念和数据模型 |
2.2.1 空间概念 |
2.2.2 数据模型 |
2.3 空间存储和索引 |
2.3.1 空间存储 |
2.3.2 空间索引 |
2.4 查询处理与优化 |
2.4.1 查询处理 |
2.4.2 查询优化 |
2.5 空间网络数据库 |
2.6 空间数据挖掘 |
2.7 空间数据库发展趋势 |
2.8 本章小节 |
第3章 连续最近邻查询 |
3.1 问题描述 |
3.2 相关工作 |
3.3 问题特征 |
3.4 连续最近邻查询的剪枝策略 |
3.4.1 中间结点的剪枝策略 |
3.4.2 数据点的剪枝策略 |
3.5 CNN的分裂点划分 |
3.5.1 分裂点的初始划分 |
3.5.2 分裂点的修正 |
3.6 本章小结 |
第4章 三维空间中的连续最近邻查询 |
4.1 问题的定义与描述 |
4.2 三维空间CNN查询 |
4.2.1 剪枝策略 |
4.2.2 三维空间连续最近邻查询算法及其复杂度 |
4.3 实验 |
4.4 本章小结 |
结论 |
参考文献 |
攻读硕士期间发表的论文 |
(8)基于Voroni图的近邻查询及方向关系推理的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景 |
1.2 本课题研究现状 |
1.2.1 最近邻查询 |
1.2.2 反向最近邻查询 |
1.2.3 空间方向关系表达模型 |
1.2.4 空间方向关系推理 |
1.3 本文的主要内容及组织结构 |
第2章 基于Voronoi 图的最近邻查询 |
2.1 引言 |
2.2 Voronoi 图 |
2.2.1 Voronoi 图的定义与性质 |
2.2.2 k 阶Voronoi 图的定义与性质 |
2.3 基于Voronoi 图的最近邻查询 |
2.3.1 问题的定义 |
2.3.2 VR-Tree |
2.3.3 基于Voronoi 图的NN 查询算法 |
2.3.4 基于Voronoi 图的kNN 查询算法 |
2.4 基于Voronoi 图的连续近邻查询 |
2.4.1 连续最近邻查询的定义与描述 |
2.4.2 基于Voronoi 图的CNN 查询 |
2.4.3 基于Voronoi 图的kCNN 查询 |
2.5 实验结果 |
2.6 本章小结 |
第3章 反向最近邻查询 |
3.1 引言 |
3.2 反向最近邻查询的基本概念及性质 |
3.2.1 反向最近邻查询的相关概念 |
3.2.2 反向最近邻查询的性质 |
3.3 Delaunay 三角网 |
3.3.1 Delaunay 三角网的相关定义与性质 |
3.3.2 Delaunay 三角网的增量生成算法 |
3.4 基于Delaunay 三角网的反向最近邻查询 |
3.4.1 Delaunay-Tree |
3.4.2 基于Delaunay 三角网的反向最近邻查询算法 |
3.4.3 实验结果 |
3.5 移动点Voronoi 图的维护策略 |
3.5.1 问题的提出 |
3.5.2 移动对象Voronoi 图随时间的变化过程 |
3.5.3 移动对象Voronoi 图的维护机制 |
3.5.4 移动对象Voronoi 图的维护机制的具体策略 |
3.5.5 插入和删除对象时移动对象Voronoi 图的维护 |
3.5.6 基于移动点Voronoi 图查询的实现模型 |
3.6 本章小结 |
第4章 二维空间方向关系的反关系推理 |
4.1 引言 |
4.2 二维空间主方向关系 |
4.3 基于MBR 的主方向关系的反关系推理 |
4.4 主方向关系的反关系推理 |
4.4.1 矩形主方向关系的原关系 |
4.4.2 主方向关系的反关系推理算法 |
4.5 算法验证 |
4.6 本章小结 |
第5章 三维空间方向关系的表达与推理 |
5.1 引言 |
5.2 三维空间主方向关系模型 |
5.3 三维空间方向关系推理 |
5.3.1 问题的描述及定义 |
5.3.2 三维空间单项主方向关系推理 |
5.3.3 任意三维空间主方向关系推理 |
5.4 实例验证 |
5.5 本章小结 |
第6章 基于定性坐标的位置表达及主方向关系推理 |
6.1 引言 |
6.2 空间距离关系 |
6.3 定性位置表达 |
6.3.1 定性直角坐标系 |
6.3.2 基于定性坐标的位置关系表达模型 |
6.4 基于定性位置的主方向关系推理 |
6.5 实例验证 |
6.6 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(9)移动环境下最近邻居空间位置查询方法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.3 本论文研究内容 |
1.4 本文的结构 |
第二章 移动环境下的空间位置查询技术 |
2.1 移动环境相关概念 |
2.1.1 移动环境的网络结构 |
2.1.2 移动环境下的关键技术 |
2.1.3 移动环境的典型应用 |
2.2 空间位置查询 |
2.2.1 空间数据相关知识 |
2.2.2 空间位置查询 |
2.2.3 最近邻居查询 |
2.3 移动环境下的空间位置查询 |
2.3.1 移动环境下的空间位置查询特性 |
2.3.2 移动环境下的空间位置查询技术 |
2.4 本章小结 |
第三章 基于共享客户信息的最近邻居查询研究 |
3.1 共享客户信息查询的基本思路 |
3.1.1 共享客户端信息的查询前提 |
3.1.2 P2P缓存技术 |
3.1.3 空间查询结果的位置性 |
3.2 基于共享客户信息的最近邻居查询 |
3.2.1 相关定义及定理 |
3.2.2 最近邻居查询 |
3.2.3 共享客户信息的最近邻居查询算法SRNN(Share Results Nearest Neighbor) |
3.3 模拟实验及结果分析 |
3.3.1 模拟实验环境及基本配置 |
3.3.2 实验结果与分析 |
3.3.3 不同参数的影响 |
3.4 本章小结 |
第四章 基于MDTPR树的连续最近邻居查询研究 |
4.1 移动对象索引技术 |
4.2 连续最近邻居查询相关定义 |
4.3 基于MDTPR树的连续最近邻居查询 |
4.3.1 MDTPR树相关定义 |
4.3.2 近似类划分方法 |
4.3.3 基于MDTPR树的连续最近邻居查询算法MDCNN(Moving Direction Continuous Nearest Neighbor) |
4.4 模拟实验及结果分析 |
4.4.1 模拟实验环境及基本配置 |
4.4.2 实验结果与分析 |
4.4.3 不同参数的影响 |
4.5 本章小结 |
第五章 最近邻居空间位置查询在道路网络中的应用 |
5.1 道路网络应用的基本思路 |
5.2 对象建模 |
5.2.1 道路建模 |
5.2.2 静态对象建模 |
5.2.3 移动对象建模 |
5.3 道路网络拓扑图的构建 |
5.4 道路网络应用的实现 |
5.4.1 实验环境 |
5.4.2 模块介绍 |
5.4.3 应用结果与测试 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 本文总结 |
6.2 进一步研究工作 |
参考文献 |
致谢 |
附录一: 读研期间发表和录用论文目录 |
附录二: 读研期间参与项目目录 |
(10)移动环境下基于共享客户信息的空间位置查询(论文提纲范文)
0 引言 |
1 相关定义及定理 |
2 基于共享客户信息的空间位置查询SRNN |
3 模拟实验及分析 |
4 结语 |
四、移动环境下的最近邻居查询(论文参考文献)
- [1]基于类别偏好和用户兴趣的餐厅推荐算法[D]. 王娜娜. 安徽理工大学, 2021(02)
- [2]移动环境下基于掩护区域的最近邻居查询研究[J]. 卢秀芸,孙小培,朱玉全. 镇江高专学报, 2017(03)
- [3]移动环境下基于轨迹挖掘的个性化推荐系统设计与实现[D]. 赵淼佟. 电子科技大学, 2017(02)
- [4]面向用户隐私关注问题的移动个性化信息推荐服务研究[D]. 郭飞鹏. 浙江工商大学, 2017(05)
- [5]泛在移动环境特色数字资源个性化推送系统研究[D]. 张安磊. 贵州财经大学, 2014(03)
- [6]云环境用户情景兴趣的移动商务推荐模型及应用研究[D]. 刘海鸥. 燕山大学, 2013(08)
- [7]空间数据库中移动对象的连续最近邻查询研究[D]. 闵寻优. 哈尔滨理工大学, 2011(08)
- [8]基于Voroni图的近邻查询及方向关系推理的研究[D]. 王淼. 哈尔滨理工大学, 2010(05)
- [9]移动环境下最近邻居空间位置查询方法的研究[D]. 孙小培. 江苏大学, 2010(08)
- [10]移动环境下基于共享客户信息的空间位置查询[J]. 孙小培,朱玉全,陈耿,桑丘. 计算机应用, 2009(12)