书目详细信息
： 基于优化支持向量机的个性化推荐研究
书目信息 机读格式(MARC)
| ISBN/价格： | 978-7-5689-0484-1:CNY45.00 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 500000 |
| 题名责任者项： | 基于优化支持向量机的个性化推荐研究/.王喜宾, 文俊浩著 |
| 出版发行项： | 重庆:,重庆大学出版社:,2017.04 |
| 载体形态项： | 172页:;+图:;+23cm |
| 一般附注： | 本书受国家自然科学基金面上项目“基于异构服务网络分析的Web服务推荐研究” (NO.61379158), 重庆市教委科学技术研究项目“大数环境下基于用户行为分析和上下文感知的个性化推荐研究”(NOt.KJ1600437) 等项目的资助 |
| 相关题名附注： | 英文并列题名取自封面 |
| 提要文摘： | 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。 |
| 并列题名： | Research on personalized recommendation based on optimized support vector machine eng |
| 题名主题： | 向量计算机 研究 |
| 中图分类： | TP38 |
| 个人名称等同： | 王喜宾 著 |
| 个人名称等同： | 文俊浩 著 |
| 记录来源： | CN CDT 20171110 |