图书介绍：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。