個(gè)性化推薦在實(shí)際應(yīng)用中存在小樣本、高維度和非線性等問題。鑒于以上問題，本書提出了基于支持向量機(jī)的個(gè)性化推薦方法，實(shí)現(xiàn)對(duì)項(xiàng)目的內(nèi)容信息以及用戶行為信息的綜合分析與挖掘。針對(duì)傳統(tǒng)的協(xié)同過濾推薦方法存在相似度計(jì)算方式單一，不易利用項(xiàng)目的內(nèi)容信息和冷啟動(dòng)等問題，提出了利用支持向量分類機(jī)方法來代替?zhèn)鹘y(tǒng)的相似度計(jì)算，不僅考慮了用戶的行為信息，而且也利用了項(xiàng)目的內(nèi)容信息和用戶的人口統(tǒng)計(jì)學(xué)信息。同時(shí)，利用帶收縮因子的動(dòng)態(tài)慣性權(quán)重自適應(yīng)粒子群優(yōu)化算法對(duì)支持向量分類機(jī)的參數(shù)進(jìn)行優(yōu)化，以期提高推薦模型的準(zhǔn)確率。針對(duì)實(shí)