【摘要】：关于支持向量机回归算法的研究和应用也很广泛，除第2章介绍的应用外，也有一些关于支持向量机回归算法在个性化推荐中的应用。根据支持向量回归算法在各领域的成功应用，并结合支持向量机回归算法在个性化推荐中的应用，本章利用用户信息和项目内容信息来构建特征向量，提出了基于支持向量机先分类再回归的个性化推荐方法。
关于支持向量机回归算法的研究和应用也很广泛，除第2章介绍的应用外，也有一些关于支持向量机回归算法在个性化推荐中的应用。针对传统协同过滤算法在评分预测问题中存在计算复杂度高，解决大规模数据问题困难的情况，王宏宇等［146］提出了一种基于支持向量机回归的推荐算法，该方法可以很好地提高预测精度，缩短推荐时间，在大规模样本情况下也有很好的性能。根据电子商务中热门商品的用户属性，而不考虑冷门商品推荐的问题，李婧［147］提出了基于支持向量机模型的电子商务推荐算法研究。为了解决数据稀疏性造成的不能获得没有共同评分用户之间的相似度带来的挑战，Fan等［148］提出了一种新的相似度计算方法，采用支持向量对评分进行预测，该方法相对于线性回归方法具有更高的精度。关于回归方法在个性化推荐中的应用还有BP神经网络、线性回归等。
根据支持向量回归算法在各领域的成功应用，并结合支持向量机回归算法在个性化推荐中的应用，本章利用用户信息和项目内容信息来构建特征向量，提出了基于支持向量机先分类再回归的个性化推荐方法。在分类和回归的过程中，采用提出的IPSO算法来优化分类模型和回归模型，这样既可以提高算法的收敛速度，又可以提高算法在个性化推荐中的推荐精度。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
