第1章 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究现状 3
1.3 本书的主要工作 9
1.4 本书的组织结构 12
1.5 本章小结 13
第2章 支持向量机与个性化推荐相关研究分析 14
2.1 支持向量机相关研究和优势分析 14
2.2 个性化推荐系统相关分析 18
2.3 基于支持向量机的个性化推荐技术 25
2.4 评价指标 29
2.5 本章小结 32
第3章 基于支持向量分类机的推荐方法 33
3.1 支持向量分类机算法在个性化推荐应用中的分析 36
3.2 支持向量分类机和参数优化对象 37
3.3 粒子群优化（PSO）算法提升SVM的分类性能 44
3.4 分类准确率实验结果与分析 49
3.5 个性化推荐实验结果与分析 53
3.6 本章小结 61
第4章 基于支持向量机先分类再回归的推荐方法 62
4.1 支持向量机回归算法在个性化推荐应用中的分析 64
4.2 支持向量回归机和参数优化对象 65
4.3 带进化速度和聚集度的自适应PSO算法 67
4.4 准确率实验结果与分析 71
4.5 个性化推荐实验结果与分析 75
4.6 本章小结 83
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 84
5.1 对称支持向量机分析 86
5.2 利用平滑技术和核减少技术改进对称支持向量机 88
5.3 核减少的平滑对称支持向量机（RSTWSVM）算法 96
5.4 RSTWSVM算法性能测试结果及分析 100
5.5 个性化推荐实验结果与分析 108
5.6 本章小结 118
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 119
6.1 半监督支持向量机、主动学习和基于图的方法 121
6.2 正则化框架和样本选择策略 126
6.3 基于主动学习的半监督直推式支持向量机（ALTSVM）算法 130
6.4 ALTSVM算法性能测试结果及分析 133
6.5 个性化推荐实验结果及分析 140
6.6 本章小结 149
第7章 结论与展望 150
7.1 结论 150
7.2 展望 152
参考文献 154