兴趣点推荐作为基于位置社交网络中的一个重要研究领域，极大地促进了推荐系统和社交网络的结合和发展，具有重要的研究意义和应用价值。本书主要研究和阐述自适应兴趣点推荐理论和方法，首先概述了兴趣点推荐及意义、研究现状及发展动态分析。然后提出了用户签到行为的特征提取方法及用户聚类算法，在此基础上，阐述了基于时间特征和用户协同过滤的自适应兴趣点推荐方法、融合时空特征和概率模型的自适应兴趣点推荐方法、结合长短期兴趣偏好的自适应连续兴趣点推荐方法的相关理论。最后构建了云边协同环境下自适应兴趣点推荐总体架构，并阐述了具体实现技术方法。 本书全面系统地展示了自适应兴趣点推荐的最新创新性成果及其理论方法，具有完整性、实用性和学术性，助力兴趣点推荐的发展。适合作为研究生和高校教师从事社交网络、推荐系统和人工智能等领域的教学、科研工作和工程应用参考书。可以作为博士研究生和硕士研究生阶段的“推荐系统”“人工智能”等课程的教材使用，也可以作为高年级本科生“实用机器学习技术”课程的辅助教材。

第1章 兴趣点推荐概述
1.1 兴趣点推荐及意义
1.1.1 基于位置社交网络中的兴趣点推荐
1.1.2 研究意义
1.2 兴趣点推荐的研究现状及发展动态分析
1.2.1 结合影响因素的兴趣点推荐
1.2.2 基于签到序列的连续兴趣点推荐
1.2.3 目前存在的问题
1.3 主要研究内容及关系
第2章 用户签到行为特征提取及用户聚类算法
2.1 问题提出
2.2 符号描述及相关定义
2.3 用户签到行为特征提取
2.3.1 用户签到次数
2.3.2 用户签到兴趣点数量
2.3.3 用户签到时间槽分布数量
2.4 基于签到行为特征和FCM用户聚类算法
2.5 用户聚类性能评估
2.5.1 聚类性能评估指标
2.5.2 用户聚类评估
2.5.3 用户聚类结果及现实含义
2.6 本章小结
第3章 基于时间特征和协同过滤的自适应POI推荐算法
3.1 问题提出
3.2 符号描述及推荐框架
3.3 时间特征提取
3.3.1 时间的可变性
3.3.2 时间的相关性
3.4 基于用户协同过滤和时间特征的自适应POI推荐算法
3.4.1 用户相似性特征及基于阈值过滤的相似用户近邻选择方法
3.4.2 融合时间平滑技术的用户相似度计算
3.4.3 基于时间特征和协同过滤的自适应POI推荐算法
3.5 参数值的设置
3.5.1 时间槽长度k值的设置
3.5.2 阈值因子m1和m2的设置
3.6 实验与评价
3.6.1 实验数据集
3.6.2 评估指标
3.6.3 实验设置和对比的POI推荐方法
3.6.4 签到行为活跃用户的实验结果和分析
3.6.5 签到行为不活跃用户的实验结果和分析
3.6.6 所有用户的实验结果和分析
3.6.7 算法运行时间的对比和分析
3.7 本章小结
第4章 融合时空特征和概率模型的自适应POI推荐算法
4.1 问题提出
4.2 推荐流程及符号描述
4.3 兴趣点时空特征提取
4.3.1 兴趣点流行度特征
4.3.2 相邻签到兴趣点的距离特征
4.4 融合时空特征和概率模型的自适应POI推荐算法
4.4.1 基于整体和时间感知的兴趣点流行度计算
4.4.2 时间感知的一维幂律函数概率模型
4.4.3 时间感知的二维高斯核密度估计概率模型
4.4.4 融合时空特征和概率模型的自适应POI推荐算法
4.5 连续时间槽长度参数的确定
4.6 实验与评价
4.6.1 实验基本设置
4.6.2 对比的POI推荐方法
4.6.3 结合流行度的一维和二维空间概率模型实验对比分析
4.6.4 签到行为活跃用户的实验结果和分析
4.6.5 签到行为不活跃用户的实验结果和分析
4.6.6 所有用户的实验结果和分析
4.7 本章小结
第5章 结合长短期兴趣偏好的自适应连续POI推荐算法
5.1 问题提出
5.2 相关定义
5.3 连续行为特征提取
5.3.1 连续相邻签到的时间间隔
5.3.2 签到行为随时间的转移
5.4 长短期记忆网络
5.5 结合长短期兴趣偏好的自适应连续POI推荐建模方法
5.5.1 自适应连续兴趣点推荐框架
5.5.2 用户短期兴趣偏好建模
5.5.3 用户长期兴趣偏好建模
5.5.4 不活跃用户近期签到轨迹序列处理
5.5.5 模型训练
5.5.6 自适应连续兴趣点推荐算法
5.6 实验与评价
5.6.1 实验基本设置
5.6.2 对比的POI推荐方法
5.6.3 签到行为活跃用户的实验结果和分析
5.6.4 签到行为不活跃用户的实验结果和分析
5.6.5 所有用户的实验结果和分析
5.6.6 时间误差结果和分析
5.6.7 训练集可扩展性分析
5.7 所提算法之间的关联和对比
5.7.1 算法之间的关联
5.7.2 算法性能对比
5.7.3 算法的优缺点及适用场景
5.8 本章小结
第6章 云边协同环境下自适应兴趣点推荐理论
6.1 问题提出
6.1.1 研究背景
6.1.2 移动边缘计算在推荐领域的研究现状及发展动态
6.1.3 研究的科学意义和现实意义
6.2 研究内容和创新之处
6.2.1 云边协同环境下的自适应兴趣点推荐框架研究
6.2.2 云中心用户签到行为特征分析及兴趣偏好自适应学习的研究
6.2.3 边缘侧自适应兴趣点推荐方法研究
6.2.4 创新之处
6.3 云边协同环境下自适应兴趣点推荐
6.3.1 总体研究方案和技术路线
6.3.2 云边协同环境下自适应兴趣点推荐框架
6.3.3 云中心用户特征分析及兴趣偏好自适应学习
6.3.4 边缘侧自适应兴趣点推荐
6.4 原型系统搭建及应用
6.5 本章小结
参考文献