第1章 緒論
1．1 研究背景與意義
1．2 國內(nèi)外研究現(xiàn)狀
1．3 本書的主要工作
1．4 本書的組織結(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)