基于優(yōu)化支持向量機的個(gè)性化推薦研究簡(jiǎn)介，目錄書(shū)摘
在實(shí)際應用中，個(gè)性化推薦存在小樣本、高維度和非線(xiàn)性等問(wèn)題。針對這些問(wèn)題，《基于優(yōu)化支持向量機的個(gè)性化推薦研究》提出了基于支持向量機的個(gè)性化推薦方法，實(shí)現對項目?jì)热菖c用戶(hù)行為信息的綜合分析。針對不同的推薦問(wèn)題先后提出了基于支持向量分類(lèi)機的推薦方法、基于支持向量機先分類(lèi)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(chēng)支持向量機推薦方法以及基于主動(dòng)學(xué)習的半監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、博士生導師。近年來(lái)主要從事服務(wù)計算、數據挖掘等方面的研究。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(lái)。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 國內外研究現狀
1．3 本書(shū)的主要工作
1．4 本書(shū)的組織結構
1．5 本章小結
第2章 支持向量機與個(gè)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(gè)性化推薦系統相關(guān)分析
2．3 基于支持向量機的個(gè)性化推薦技術(shù)
2．4 評價(jià)指標
2．5 本章小結
第3章 基于支持向量分類(lèi)機的推薦方法
3．1 支持向量分類(lèi)機算法在個(gè)性化推薦應用中的分析
3．2 支持向量分類(lèi)機和參數優(yōu)化對象
3．3 粒子群優(yōu)化（PSO）算法提升SVM的分類(lèi)性能
3．4 分類(lèi)準確率實(shí)驗結果與分析
3．5 個(gè)性化推薦實(shí)驗結果與分析
3．6 本章小結
第4章 基于支持向量機先分類(lèi)再回歸的推薦方法
4．1 支持向量機回歸算法在個(gè)性化推薦應用中的分析
4．2 支持向量回歸機和參數優(yōu)化對象
4．3 帶進(jìn)化速度和聚集度的自適應PS0算法
4．4 準確率實(shí)驗結果與分析
4．5 個(gè)性化推薦實(shí)驗結果與分析
4．6 本章小結
第5章 基于平滑技術(shù)和核減少技術(shù)的對稱(chēng)支持向量機推薦方法
5．1 對稱(chēng)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(chēng)支持向量機
5．3 核減少的平滑對稱(chēng)支持向量機（RSTWSVM）算法
5．4 RSTWSVM算法性能測試結果及分析
5．5 個(gè)性化推薦實(shí)驗結果與分析
5．6 本章小結
第6章 基于主動(dòng)學(xué)習的半監督直推式支持向量機推薦方法
6．1 半監督支持向量機、主動(dòng)學(xué)習和基于圖的方法
6．2 正則化框架和樣本選擇策略
6．3 基于主動(dòng)學(xué)習的半監督直推式支持向量機（AIXSVM）算法
6．4 ALTSVM算法性能測試結果及分析
6．5 個(gè)性化推薦實(shí)驗結果及分析
6．6 本章小結
第7章 結論與展望
7．1 結論
7．2 展望
參考文獻
京公網(wǎng)安備 11000002000088號
