基于優(yōu)化支持向量機的個性化推薦研究簡介，目錄書摘
在實際應(yīng)用中，個性化推薦存在小樣本、高維度和非線性等問題。針對這些問題，《基于優(yōu)化支持向量機的個性化推薦研究》提出了基于支持向量機的個性化推薦方法，實現(xiàn)對項目內(nèi)容與用戶行為信息的綜合分析。針對不同的推薦問題先后提出了基于支持向量分類機的推薦方法、基于支持向量機先分類再回歸的推薦方法、基于平滑技術(shù)和核減少技術(shù)的對稱支持向量機推薦方法以及基于主動學(xué)習(xí)的半監(jiān)督直推式支持向量機推薦方法。
文俊浩，男，重慶大學(xué)軟件學(xué)院教授、博士生導(dǎo)師。近年來主要從事服務(wù)計算、數(shù)據(jù)挖掘等方面的研究。主持國家自然科學(xué)基金面上項目2項，主持國家“十一五”科技支撐計劃項目1項，主研國家自然科學(xué)基金2項，主持并參與省部級項目10余項。2015年獲國家教學(xué)成果二等獎（排名第2）。2014年獲國家教學(xué)成果二等獎（排名第1），2013年獲重慶市教學(xué)成果一等獎（排名第1），2011年獲重慶市科技進(jìn)步二等獎（排名第1）。近年來。發(fā)表學(xué)術(shù)論文70余篇，其中SCI檢索20余篇，EI檢索30余篇。
第1章 緒論
1．1 研究背景與意義
1．2 國內(nèi)外研究現(xiàn)狀
1．3 本書的主要工作
1．4 本書的組織結(jié)構(gòu)
1．5 本章小結(jié)
第2章 支持向量機與個性化推薦相關(guān)研究分析
2．1 支持向量機相關(guān)研究和優(yōu)勢分析
2．2 個性化推薦系統(tǒng)相關(guān)分析
2．3 基于支持向量機的個性化推薦技術(shù)
2．4 評價指標(biāo)
2．5 本章小結(jié)
第3章 基于支持向量分類機的推薦方法
3．1 支持向量分類機算法在個性化推薦應(yīng)用中的分析
3．2 支持向量分類機和參數(shù)優(yōu)化對象
3．3 粒子群優(yōu)化（PSO）算法提升SVM的分類性能
3．4 分類準(zhǔn)確率實驗結(jié)果與分析
3．5 個性化推薦實驗結(jié)果與分析
3．6 本章小結(jié)
第4章 基于支持向量機先分類再回歸的推薦方法
4．1 支持向量機回歸算法在個性化推薦應(yīng)用中的分析
4．2 支持向量回歸機和參數(shù)優(yōu)化對象
4．3 帶進(jìn)化速度和聚集度的自適應(yīng)PS0算法
4．4 準(zhǔn)確率實驗結(jié)果與分析
4．5 個性化推薦實驗結(jié)果與分析
4．6 本章小結(jié)
第5章 基于平滑技術(shù)和核減少技術(shù)的對稱支持向量機推薦方法
5．1 對稱支持向量機分析
5．2 利用平滑技術(shù)和核減少技術(shù)改進(jìn)對稱支持向量機
5．3 核減少的平滑對稱支持向量機（RSTWSVM）算法
5．4 RSTWSVM算法性能測試結(jié)果及分析
5．5 個性化推薦實驗結(jié)果與分析
5．6 本章小結(jié)
第6章 基于主動學(xué)習(xí)的半監(jiān)督直推式支持向量機推薦方法
6．1 半監(jiān)督支持向量機、主動學(xué)習(xí)和基于圖的方法
6．2 正則化框架和樣本選擇策略
6．3 基于主動學(xué)習(xí)的半監(jiān)督直推式支持向量機（AIXSVM）算法
6．4 ALTSVM算法性能測試結(jié)果及分析
6．5 個性化推薦實驗結(jié)果及分析
6．6 本章小結(jié)
第7章 結(jié)論與展望
7．1 結(jié)論
7．2 展望
參考文獻(xiàn)
京公網(wǎng)安備 11000002000088號
