| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 本文的主要工作 | 第16-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-21页 |
| 2 支持向量机与个性化推荐相关研究分析 | 第21-35页 |
| 2.1 支持向量机相关研究和优势分析 | 第21-23页 |
| 2.1.1 支持向量机算法相关研究分析 | 第21-23页 |
| 2.1.2 支持向量机优势分析 | 第23页 |
| 2.2 个性化推荐系统相关分析 | 第23-29页 |
| 2.2.1 个性化推荐系统模型 | 第23-25页 |
| 2.2.2 个性化推荐算法 | 第25-29页 |
| 2.3 基于支持向量机的个性化推荐技术 | 第29-32页 |
| 2.3.1 利用用户的人.统计学信息 | 第29-30页 |
| 2.3.2 利用用户的标签信息 | 第30页 |
| 2.3.3 利用项目的内容信息 | 第30-31页 |
| 2.3.4 基于支持向量机的个性化推荐策略 | 第31-32页 |
| 2.4 评价指标 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于支持向量分类机的推荐方法 | 第35-57页 |
| 3.1 问题的提出 | 第35-37页 |
| 3.2 支持向量机分类算法在个性化推荐应用中的分析 | 第37-38页 |
| 3.3 支持向量机分类算法和参数优化对象 | 第38-43页 |
| 3.3.1 支持向量机分类算法 | 第38-41页 |
| 3.3.2 参数选择对SVM性能的影响 | 第41-43页 |
| 3.4 粒子群优化（PSO）算法提升SVM的分类性能 | 第43-46页 |
| 3.4.1 粒子群优化算法 | 第43-44页 |
| 3.4.2 带收缩因子和动态惯性权重的自适应PSO算法 | 第44-45页 |
| 3.4.3 算法描述 | 第45-46页 |
| 3.5 分分类准确率实验结果与分析 | 第46-50页 |
| 3.5.1 实验数据集 | 第46-47页 |
| 3.5.2 实验结果与分析 | 第47-50页 |
| 3.6 个性化推荐实验结果与分析 | 第50-56页 |
| 3.6.1 实验数据准备 | 第50-51页 |
| 3.6.2 实验结果评测方法 | 第51页 |
| 3.6.3 基于CF-IWA PSO-SVM的个性化推荐模型 | 第51-53页 |
| 3.6.4 推荐结果及分析 | 第53-56页 |
| 3.7 本章小结 | 第56-57页 |
| 4 基于支持向量机先分类再回归的推荐方法 | 第57-73页 |
| 4.1 问题的提出 | 第57-58页 |
| 4.2 支持向量机回归算法在个性化推荐应用中的分析 | 第58页 |
| 4.3 支持向量回归机和参数优化对象 | 第58-60页 |
| 4.3.1 支持向量回归机 | 第58-60页 |
| 4.3.2 参数优化对象和方法 | 第60页 |
| 4.4 带进化速度和聚集度的自适应PSO算法 | 第60-63页 |
| 4.4.1 进化速度和聚集度策略 | 第60-61页 |
| 4.4.2 位置-极值策略 | 第61-62页 |
| 4.4.3 带进化速度和聚集度的自适应PSO算法 | 第62-63页 |
| 4.5 准确率实验结果与分析 | 第63-66页 |
| 4.5.1 实验数据准备 | 第63页 |
| 4.5.2 IPSO算法性能测试与分析 | 第63-66页 |
| 4.6 个性化推荐实验结果与分析 | 第66-72页 |
| 4.6.1 基于IPSO优化的SVM先分类再回归的个性化推荐模型 | 第66-68页 |
| 4.6.2 分类结果及分析 | 第68-69页 |
| 4.6.3 评分预测结果及分析 | 第69-72页 |
| 4.7 本章小结 | 第72-73页 |
| 5 基于平滑技术和核减少技术的对称支持向量机推荐方法 | 第73-99页 |
| 5.1 问题的提出 | 第73-74页 |
| 5.2 对称支持向量机分析 | 第74-75页 |
| 5.2.1 对称支持向量机算法研究分析 | 第74-75页 |
| 5.2.2 影响对称支持向量机性能的因素分析 | 第75页 |
| 5.3 利用平滑技术和核减少技术改进对称支持向量机 | 第75-81页 |
| 5.3.1 对称支持向量机算法 | 第75-77页 |
| 5.3.2 利用平滑技术改进对称支持向量机 | 第77-80页 |
| 5.3.3 利用核减少技术改进对称支持向量机 | 第80-81页 |
| 5.4 核核减少的平滑对称支持向量机（RSTWSVM）算法 | 第81-84页 |
| 5.4.1 算法描述 | 第81-82页 |
| 5.4.2 算法框架 | 第82-83页 |
| 5.4.3 算法分析 | 第83-84页 |
| 5.5 RSTWSVM算法性能测试结果及分析 | 第84-90页 |
| 5.5.1 数据集准备 | 第84-86页 |
| 5.5.2 性能测试结果与分析 | 第86-90页 |
| 5.6 个性化推荐实验结果与分析 | 第90-98页 |
| 5.6.1 实验数据集 | 第91页 |
| 5.6.2 实验评估方法 | 第91-92页 |
| 5.6.3 基于RSTWSVM算法的个性化推荐模型 | 第92-95页 |
| 5.6.4 推荐结果及分析 | 第95-98页 |
| 5.7 本章小结 | 第98-99页 |
| 6 基于主动学习的半监督直推式支持向量机推荐方法 | 第99-121页 |
| 6.1 问题的提出 | 第99-100页 |
| 6.2 半监督支持向量机、主动学习和基于图的方法 | 第100-104页 |
| 6.2.1 半监督直推式支持向量机 | 第100-102页 |
| 6.2.2 主动学习 | 第102-103页 |
| 6.2.3 基于图的方法 | 第103-104页 |
| 6.3 正则化框架和样本选择策略 | 第104-107页 |
| 6.3.1 增加流形正则项到目标函数 | 第104-106页 |
| 6.3.2“最小-最大化”原则 | 第106-107页 |
| 6.4 基于主动学习的半监督直推式支持向量机（ALTSVM）算法 | 第107-109页 |
| 6.4.1 算法描述 | 第107-108页 |
| 6.4.2 算法框架 | 第108-109页 |
| 6.5 ALTSVM算法性能测试结果及分析 | 第109-114页 |
| 6.5.1 数据集准备 | 第109页 |
| 6.5.2 分类模型的建立 | 第109-110页 |
| 6.5.3 分类准确率实验结果及分析 | 第110-114页 |
| 6.6 个性化推荐实验结果及分析 | 第114-120页 |
| 6.6.1 实验数据集 | 第114-115页 |
| 6.6.2 基于ALTSVM算法的个性化推荐模型 | 第115-116页 |
| 6.6.3 用户评价信息挖掘 | 第116-117页 |
| 6.6.4 推荐结果及分析 | 第117-120页 |
| 6.7 本本章小结 | 第120-121页 |
| 7 结论与展望 | 第121-123页 |
| 7.1 结论 | 第121-122页 |
| 7.2 展望 | 第122-123页 |
| 致谢 | 第123-127页 |
| 参考文献 | 第127-139页 |
| 附录 | 第139-140页 |
| A. 作者在攻读博士学位期间发表的学术论文列表 | 第139-140页 |
| B. 作者在攻读博士学位期间参加的科研项目列表 | 第140页 |
