基于優(yōu)化支持向量機(jī)的個(gè)性化推薦研究
定 價(jià)：45 元
- 作者：王喜賓
- 出版時(shí)間：2017/6/1
- ISBN：9787568904841
- 出 版 社：重慶大學(xué)出版社
- 中圖法分類：TP38
- 頁(yè)碼：
- 紙張：膠版紙
- 版次：1
- 開(kāi)本：16開(kāi)
個(gè)性化推薦在實(shí)際應(yīng)用中存在小樣本、高維度和非線性等問(wèn)題。鑒于以上問(wèn)題，本書(shū)提出了基于支持向量機(jī)的個(gè)性化推薦方法，實(shí)現(xiàn)對(duì)項(xiàng)目的內(nèi)容信息以及用戶行為信息的綜合分析與挖掘。針對(duì)傳統(tǒng)的協(xié)同過(guò)濾推薦方法存在相似度計(jì)算方式單一，不易利用項(xiàng)目的內(nèi)容信息和冷啟動(dòng)等問(wèn)題，提出了利用支持向量分類機(jī)方法來(lái)代替?zhèn)鹘y(tǒng)的相似度計(jì)算，不僅考慮了用戶的行為信息，而且也利用了項(xiàng)目的內(nèi)容信息和用戶的人口統(tǒng)計(jì)學(xué)信息。同時(shí)，利用帶收縮因子的動(dòng)態(tài)慣性權(quán)重自適應(yīng)粒子群優(yōu)化算法對(duì)支持向量分類機(jī)的參數(shù)進(jìn)行優(yōu)化，以期提高推薦模型的準(zhǔn)確率。針對(duì)實(shí)際應(yīng)用中，不僅需要推薦列表，而且還需要詳細(xì)的評(píng)分信息，提出了基于支持向量機(jī)先分類再回歸的推薦方法。針對(duì)大規(guī)模數(shù)據(jù)中的推薦效率和實(shí)時(shí)性等問(wèn)題，提出了基于平滑技術(shù)和核減少技術(shù)的對(duì)稱支持向量機(jī)推薦方法。針對(duì)個(gè)性化推薦中有標(biāo)簽數(shù)據(jù)價(jià)值高但稀少，同時(shí)對(duì)無(wú)標(biāo)簽數(shù)據(jù)標(biāo)注存在耗時(shí)、耗力、代價(jià)高等問(wèn)題，提出了基于主動(dòng)學(xué)習(xí)的半監(jiān)督直推式支持向量機(jī)推薦方法。
文俊浩，男，重慶大學(xué)軟件學(xué)院教授、博士生導(dǎo)師。近年來(lái)主要從事服務(wù)計(jì)算、數(shù)據(jù)挖掘等方面的研究。主持國(guó)家自然科學(xué)基金面上項(xiàng)目2項(xiàng)，主持國(guó)家十一五科技支撐計(jì)劃項(xiàng)目1項(xiàng)，主研國(guó)家自然科學(xué)基金2項(xiàng)，主持并參與省部級(jí)項(xiàng)目10余項(xiàng)。2015年獲重量教學(xué)成果二等獎(jiǎng)(排名第2)。2014年獲重量教學(xué)成果二等獎(jiǎng)(排名**)，2013年獲重慶市教學(xué)成果一等獎(jiǎng)(排名**)，2011年獲重慶市科技進(jìn)步二等獎(jiǎng)(排名**)。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(guó)內(nèi)外研究現(xiàn)狀
1．3 本書(shū)的主要工作
1．4 本書(shū)的組織結(jié)構(gòu)
1．5 本章小結(jié)
第2章 支持向量機(jī)與個(gè)性化推薦相關(guān)研究分析
2．1 支持向量機(jī)相關(guān)研究和優(yōu)勢(shì)分析
2．2 個(gè)性化推薦系統(tǒng)相關(guān)分析
2．3 基于支持向量機(jī)的個(gè)性化推薦技術(shù)
2．4 評(píng)價(jià)指標(biāo)
2．5 本章小結(jié)
第3章 基于支持向量分類機(jī)的推薦方法
3．1 支持向量分類機(jī)算法在個(gè)性化推薦應(yīng)用中的分析
3．2 支持向量分類機(jī)和參數(shù)優(yōu)化對(duì)象
3．3 粒子群優(yōu)化（PSO）算法提升SVM的分類性能
3．4 分類準(zhǔn)確率實(shí)驗(yàn)結(jié)果與分析
3．5 個(gè)性化推薦實(shí)驗(yàn)結(jié)果與分析
3．6 本章小結(jié)
第4章 基于支持向量機(jī)先分類再回歸的推薦方法
4．1 支持向量機(jī)回歸算法在個(gè)性化推薦應(yīng)用中的分析
4．2 支持向量回歸機(jī)和參數(shù)優(yōu)化對(duì)象
4．3 帶進(jìn)化速度和聚集度的自適應(yīng)PS0算法
4．4 準(zhǔn)確率實(shí)驗(yàn)結(jié)果與分析
4．5 個(gè)性化推薦實(shí)驗(yàn)結(jié)果與分析
4．6 本章小結(jié)
第5章 基于平滑技術(shù)和核減少技術(shù)的對(duì)稱支持向量機(jī)推薦方法
5．1 對(duì)稱支持向量機(jī)分析
5．2 利用平滑技術(shù)和核減少技術(shù)改進(jìn)對(duì)稱支持向量機(jī)
5．3 核減少的平滑對(duì)稱支持向量機(jī)（RSTWSVM）算法
5．4 RSTWSVM算法性能測(cè)試結(jié)果及分析
5．5 個(gè)性化推薦實(shí)驗(yàn)結(jié)果與分析
5．6 本章小結(jié)
第6章 基于主動(dòng)學(xué)習(xí)的半監(jiān)督直推式支持向量機(jī)推薦方法
6．1 半監(jiān)督支持向量機(jī)、主動(dòng)學(xué)習(xí)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(xí)的半監(jiān)督直推式支持向量機(jī)（AIXSVM）算法
6．4 ALTSVM算法性能測(cè)試結(jié)果及分析
6．5 個(gè)性化推薦實(shí)驗(yàn)結(jié)果及分析
6．6 本章小結(jié)
第7章 結(jié)論與展望
7．1 結(jié)論
7．2 展望
參考文獻(xiàn)
書(shū)單推薦
