基于支持向量机的个性化推荐研究

在解决非线性回归问题时，为充分利用SVM的分类优势，采用“基于SVM先分类再回归的方法”，并利用IPSO算法来优化参数，具体流程如图4.5所示。

图4.5　基于SVM先分类再回归和IPSO优化的个性化推荐模型
Fig.4.5　Personalized recommendations for regression model based on SVM classification optimized by IPSO

假设个性化推荐系统收集到的数据集为K，其中，xi是输入属性；yi是决策属性。并且将个性化推荐问题，看作机器学习中的分类(对应推荐与否)或回归(对应评分预测)问题。那么基于SVM先分类再回归和IPSO优化算法的个性化推荐模型对应的详细步骤见表4.2。

表4.2　基于SVM先分类再回归和IPSO优化的个性化推荐算法流程
Table 4.2　Personalized recommendations for regression method based on SVM classification optimized by IPSO

(www.xing528.com)

下面对推荐算法的内容进行解释：

①根据实际应用情况，对训练数据集进行划分。当数据集有Mp类时，就将数据集划分为Mp个子集，并且每一个子集之间不存在交叉现象。这里主要是针对个性化推荐问题，那么就将数据集分成两个类别，即推荐和不推荐。

②在训练集上训练一个分类模型。其中包括数据的归一化，选择核函数，利用IPSO算法对参数进行优化，训练SVM分类模型。

③利用得到的分类模型对测试样本进行分类，并得到每一个样本的类标号y。

④对于同一个类别的样本，在其上面训练一个回归模型，对测试样本进行回归预测。包括对属于同一类样本进行归一化处理，选择核函数，利用IPSO算法进行优化参数，并在归一化的样本集上训练一个回归模型，利用该训练模型对个性化的数据集进行评分预测。