个性化推荐在实际应用中存在小样本、高维度和非线性等问题。鉴于以上问题，本书提出了基于支持向量机的个性化推荐方法，实现对项目的内容信息以及用户行为信息的综合分析与挖掘。针对传统的协同过滤推荐方法存在相似度计算方式单一，不易利用项目的内容信息和冷启动等问题，提出了利用支持向量分类机方法来代替传统的相似度计算，不仅考虑了用户的行为信息，而且也利用了项目的内容信息和用户的人口统计学信息。同时，利用带收缩因子的动态惯性权重自适应粒子群优化算法对支持向量分类机的参数进行优化，以期提高推荐模型的准确率。针对实际应用中，不仅需要推荐列表，而且还需要详细的评分信息，提出了基于支持向量机先分类再回归的推荐方法。针对大规模数据中的推荐效率和实时性等问题，提出了基于平滑技术和核减少技术的对称支持向量机推荐方法。针对个性化推荐中有标签数据价值高但稀少，同时对无标签数据标注存在耗时、耗力、代价高等问题，提出了基于主动学习的半监督直推式支持向量机推荐方法。

文俊浩，男，重庆大学软件学院教授、博士生导师。近年来主要从事服务计算、数据挖掘等方面的研究。主持国家自然科学基金面上项目2项，主持国家十一五科技支撑计划项目1项，主研国家自然科学基金2项，主持并参与省部级项目10余项。2015年获重量教学成果二等奖(排名第2)。2014年获重量教学成果二等奖(排名**)，2013年获重庆市教学成果一等奖(排名**)，2011年获重庆市科技进步二等奖(排名**)。近年来。发表学术论文70余篇，其中SCI检索20余篇，EI检索30余篇。

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
2．2 个性化推荐系统相关分析
2．3 基于支持向量机的个性化推荐技术
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
3．3 粒子群优化（PSO）算法提升SVM的分类性能
3．4 分类准确率实验结果与分析
3．5 个性化推荐实验结果与分析
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
4．3 带进化速度和聚集度的自适应PS0算法
4．4 准确率实验结果与分析
4．5 个性化推荐实验结果与分析
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
5．2 利用平滑技术和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
5．4 RSTWSVM算法性能测试结果及分析
5．5 个性化推荐实验结果与分析
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
6．2 正则化框架和样本选择策略
6．3 基于主动学习的半监督直推式支持向量机（AIXSVM）算法
6．4 ALTSVM算法性能测试结果及分析
6．5 个性化推荐实验结果及分析
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