基于优化支持向量机的个性化推荐研究电子书

前言

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本书的主要工作

1.4 本书的组织结构

1.5 本章小结

第2章 支持向量机与个性化推荐相关研究分析

2.1 支持向量机相关研究和优势分析

2.1.1 支持向量机算法相关研究分析

2.1.2 支持向量机优势分析

2.2 个性化推荐系统相关分析

2.2.1 个性化推荐系统模型

2.2.2 个性化推荐算法

2.3 基于支持向量机的个性化推荐技术

2.3.1 利用用户的人口统计学信息

2.3.2 利用用户的标签信息

2.3.3 利用项目的内容信息

2.3.4 基于支持向量机的个性化推荐策略

2.4 评价指标

2.5 本章小结

第3章 基于支持向量分类机的推荐方法

3.1 支持向量分类机算法在个性化推荐应用中的分析

3.2 支持向量分类机和参数优化对象

3.2.1 支持向量分类机

3.2.2 参数选择对 SVM 性能的影响

3.3 粒子群优化（PSO）算法提升SVM的分类性能

3.3.1 粒子群优化算法

3.3.2 带收缩因子和动态惯性权重的自适应PSO算法

3.3.3 算法描述

3.4 分类准确率实验结果与分析

3.4.1 实验数据集

3.4.2 实验结果与分析

3.5 个性化推荐实验结果与分析

3.5.1 实验数据准备

3.5.2 实验结果评测方法

3.5.3 基于 CF⁃IWA PSO⁃SVM 的个性化推荐模型

3.5.4 推荐结果及分析

3.6 本章小结

第4章 基于支持向量机先分类再回归的推荐方法

4.1 支持向量机回归算法在个性化推荐应用中的分析

4.2 支持向量回归机和参数优化对象

4.2.1 支持向量回归机

4.2.2 参数优化对象和方法

4.3 带进化速度和聚集度的自适应PSO算法

4.3.1 进化速度和聚集度策略

4.3.2 位置⁃极值策略

4.3.3 带进化速度和聚集度的自适应PSO算法

4.4 准确率实验结果与分析

4.4.1 实验数据准备

4.4.2 IPSO 算法性能测试与分析

4.5 个性化推荐实验结果与分析

4.5.1 基于IPSO优化的SVM先分类再回归的个性化推荐模型

4.5.2 分类结果及分析

4.5.3 评分预测结果及分析

4.6 本章小结

第5章 基于平滑技术和核减少技术的对称支持向量机推荐方法

5.1 对称支持向量机分析

5.1.1 对称支持向量机算法研究分析

5.1.2 影响对称支持向量机性能的因素分析

5.2 利用平滑技术和核减少技术改进对称支持向量机

5.2.1 对称支持向量机算法

5.2.2 利用平滑技术改进对称支持向量机

5.2.3 利用核减少技术改进对称支持向量机

5.3 核减少的平滑对称支持向量机（RSTWSVM）算法

5.3.1 算法描述

5.3.2 算法框架

5.3.3 算法分析

5.4 RSTWSVM算法性能测试结果及分析

5.4.1 数据集准备

5.4.2 性能测试结果与分析

5.5 个性化推荐实验结果与分析

5.5.1 实验数据集

5.5.2 实验评估方法

5.5.3 基于RSTWSVM算法的个性化推荐模型

5.5.4 推荐结果及分析

5.6 本章小结

第6章 基于主动学习的半监督直推式支持向量机推荐方法

6.1 半监督支持向量机、主动学习和基于图的方法

6.1.1 半监督直推式支持向量机

6.1.2 主动学习

6.1.3 基于图的方法

6.2 正则化框架和样本选择策略

6.2.1 增加流形正则项到目标函数

6.2.2 “最小⁃最大化”原则

6.3 基于主动学习的半监督直推式支持向量机（ALTSVM）算法

6.3.1 算法描述

6.3.2 算法框架

6.4 ALTSVM算法性能测试结果及分析

6.4.1 数据集准备

6.4.2 分类模型的建立

6.4.3 分类准确率实验结果及分析

6.5 个性化推荐实验结果及分析

6.5.1 实验数据集

6.5.2 基于ALTSVM算法的个性化推荐模型

6.5.3 用户评价信息挖掘

6.5.4 推荐结果及分析

6.6 本章小结

第7章 结论与展望

7.1 结 论

7.2 展 望

参考文献