本书针对当前空间-文本数据的查询与推荐领域中亟待解决的空间关键字语义近似查询、查询结果典型化分析和多样性兴趣点推荐等问题进行阐述，以多年来在该方面发表的学术论文为基础，对所取得的相关成果进行了详细的分类，对成果的创新性进行详细的总结，内容主要包括：空间-文本数据的查询索引结构，基于CGAN的空间关键字查询语义扩展方法，空间-文本-数值相融合的混合索引结构，查询结果的典型化分析与top-k选取，多样性与个性化兴趣点推荐方法等。

张霄雁，辽宁工程技术大学工程师，在读博士，主持辽宁省教育厅项目1项，参与国家自然科学基金、辽宁省自然科学基金和辽宁省教育厅项目等5项。主讲本科生核心课程2门，发表学术论文20余篇，出版学术专著1部。

目 录
第1章 空间-文本数据查询的基础理论和相关技术 1
1.1 空间关键字查询方法研究现状 1
1.2 空间-文本对象和空间关键字查询 3
1.2.1 空间-文本对象和空间关键字查询的定义 3
1.2.2 空间关键字查询的处理方法 4
1.2.3 查询关键字拼写错误的处理方法 6
1.3 空间索引结构R-Tree 7
1.3.1 R-Tree结构 7
1.3.2 R-Tree查询操作 8
1.3.3 R-Tree插入操作 9
1.3.4 R-Tree删除操作 11
1.4 空间-文本混合索引结构 12
1.4.1 IR-Tree结构 12
1.4.2 IR-Tree实例 13
1.5 本章小结 15
1.6 参考文献 15
第2章 基于CGAN的空间关键字语义近似查询 18
2.1 引言 18
2.2 问题定义和解决方案 20
2.2.1 问题定义 20
2.2.2 解决方案 21
2.3 空间关键字查询语义扩展 22
2.3.1 GAN和CGAN 22
2.3.2 CGAN生成器的构建 24
2.3.3 判别器的构建 26
2.3.4 CGAN的构建 26
2.4 查询与结果的相关性评估 27
2.4.1 文本相似度评估 27
2.4.2 数值满意度评估 28
2.4.3 综合评分函数 30
2.5 索引结构与查询匹配算法 30
2.5.1 索引结构 30
2.5.2 实现算法 31
2.6 效果与性能实验评价 35
2.6.1 实验环境 35
2.6.2 CGAN模型的实现与效果 36
2.6.3 查询效果实验 39
2.6.4 查询效率实验 41
2.7 本章小结 44
2.8 参考文献 44
第3章 查询结果典型程度分析与top-k近似选取 46
3.1 引言 46
3.2 问题定义和解决方案 47
3.2.1 问题定义 47
3.2.2 解决方案 48
3.3 空间对象之间的距离评估 49
3.3.1 基于关键字耦合关系与核函数的文本语义距离评估 49
3.3.2 基于Word2Vec和CNN的文本语义距离评估 52
3.3.3 空间对象在各维度上的综合距离 54
3.4 查询结果的典型程度量化与top-k近似选取 54
3.4.1 查询结果的典型程度量化方法 54
3.4.2 top-k典型结果的近似选取 56
3.5 效果与性能实验评价 59
3.5.1 实验环境 59
3.5.2 空间对象文本信息的语义相似度评估准确性测试 60
3.5.3 空间对象典型程度评估与top-k近似选取算法的效果测试 62
3.5.4 top-k近似算法的性能测试 65
3.6 本章小结 66
3.7 参考文献 66
第4章 多样性与个性化兴趣点推荐方法 68
4.1 引言 68
4.2 兴趣点推荐的国内外研究现状分析 69
4.3 问题定义和解决方案 70
4.3.1 问题定义 70
4.3.2 解决方案 70
4.4 位置-社会关系模型 71
4.4.1 相关定义 71
4.4.2 位置-社会关系距离 71
4.5 兴趣点聚类划分 73
4.5.1 基于谱聚类的兴趣点聚类方法 73
4.5.2 兴趣点聚类划分示例 75
4.6 多样性与个性化兴趣点选取 76
4.7 效果与性能实验评价 78
4.7.1 实验数据 78
4.7.2 兴趣点的位置-社会关系模型效果实验 79
4.7.3 推荐效果实验 83
4.8 本章小结 90
4.9 参考文献 90
第5章 基于图神经网络的兴趣点推荐方法 92
5.1 引言 92
5.2 图神经网络和基于位置的社交网络 94
5.2.1 图神经网络 94
5.2.2 基于位置的社交网络 97
5.3 相关定义和解决方案 98
5.3.1 相关定义 98
5.3.2 解决方案模型 99
5.4 具体实现方法 101
5.4.1 用户嵌入向量建模 101
5.4.2 兴趣点嵌入向量建模 104
5.4.3 评分预测 110
5.4.4 模型训练 110
5.5 效果与实验性能分析 112
5.5.1 实验数据 112
5.5.2 比较方法 113
5.5.3 实验设置 113
5.5.4 实验结果分析 114
5.6 本章小结 121
5.7 参考文献 121
第6章 基于用户偏好的下一个兴趣点推荐方法 123
6.1 引言 123
6.2 下一个兴趣点推荐的国内外研究现状 125
6.2.1 基于马尔可夫模型的方法 126
6.2.2 基于嵌入的方法 127
6.2.3 基于神经网络模型的方法 127
6.3 相关定义和解决方案 128
6.4 用户关系挖掘 130
6.4.1 构建用户关系图 130
6.4.2 用户关系嵌入学习 132
6.5 用户偏好建模 133
6.5.1 长期偏好建模 133
6.5.2 用户的短期偏好和当前偏好建模 133
6.5.3 周期偏好 135
6.6 模型训练 136
6.7 实验结果与分析 137
6.7.1 实验环境与数据 137
6.7.2 实验及结果分析 138
6.7.3 神经网络神经元个数的影响 141
6.7.4 模型结构的影响 142
6.7.5 迭代次数的影响 143
6.7.6 朋友关系和偏好相似关系权重的影响 144
6.8 本章小结 145
6.9 参考文献 145