进制或二分类）形式如（1）。
图1推荐方案（1）
其中，f：Rd11。SVM分类器得到解决二次规划问题如
（2）
约束条件：
（3）
最佳解决方案的决策函数如下：
（4）
支持向量机的一个显著特征是仅有一小部分的Wi系数为非零。相应的Si对（边缘支持向量）和完整定义输出标签的决策功能。设定训练模式只出现在点乘积项Φ（Si）（Sj）Φ，这里定义一个核心函数K（Si，Sj）Φ（Si）（Sj）映射到多维空间并进行点积运Φ算。我们引用的具体的高斯函数为Ksisj在第一步的音乐推荐过程中多类而非出现二元分类问题。为解决这一问题，本文理由协同分类技术通过分类集合致力于空间的特定视
f图，包括原始空间的分解。分为以下两个步骤：第一，训练的二进制SVM分类器对其中每个特定类的对象进行分类。第二，与第一步的分类结果相结合，以得出最终的分类决策。集成分类器，遵循反对（OAO）或成对策略。OAO方法是通过在成对类之间培训二进制SVM。因此，OAO模式为K（K1）2二进制SVM解决K类分类问题。每个K（K1）2SVM为目的类投一票，并将票数最高的分配给输入样本X。42个性诊断推荐过程实现的第二层是个性诊断技术。这一层面的主要特点是，有意义概率语义的预测，此外，假设每个用户的喜好构成其基本人格类型的一个特征。因此，考虑到在线用户已知的项目评级，这使得估计他她与另一用户有相同的性格类型的概率成为可能。用户可以看到给定用户采用“真”收视率向量的个性类型。一个真正的评级不同于一定量的（高斯）噪声下用户给出的实际报告评级。特定用户个性类型，个性诊断方法估计的是系统相同性格类型中给定用户的概率，从而，估计用户喜好新项目的概率。19对每个用户Uk的个性类型归纳如下，其中K12m，Umu1，u2，um，用户Uk的优选条件是I
i1，i2，i
：（5）Rture（Uk，il）其中，il∈I
，l12，
代表项目il的用户Uk的真正评级。关键在于区别“真”的用户评级和（已知）用
f户评级报告。推荐系统的设计者是不能直接访问真正的用户喜好的评级编码。然而，用户提供的报告评级应用于推荐系统。据推测，用户给出的评级报告包括高斯噪声。假设用户可以在不同情况下，相同的项目，根据上下文的不同评级报告。因此，我们可以认为一个项目il的用户评级报告服从独立正态分布Rture（Uk，il）。特别是：（6）其中σ是空闲变量，X是推荐系统的用户评级报告，y是无噪声条件下用户Uk报告评级值。此外，假设用户评估项目组Rr