《表1 实验中比较方法的参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合Skip-gram和加权损失函数的神经网络推荐模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文所述方法的参数如表1所示。对于所有方法，其参数都是通过反复试验来调整的。对于Item-CF，APP数据集中参数sji设置为100，Last.fm数据集设置为1 000；对于RBM方法，APP数据集参数|L|设置为150，Last.fm数据集设置为2 000；对于NADE方法，本文设置了与RBM方法相同的参数；对于MF by NM，APP数据集中参数c设置为50，Last.fm数据集中设置为1 500；对于DSM模型，本文将L2设为4e，L3设为3e，L4设为2e是实验中需要调优的参数），因为在推荐Youtube视频也是这样设置的[13]，在所有被研究的具有不同数量的隐藏层和单元的体系结构中，该设置的性能最好；本文对DBN训练中不同的RBM层数进行了评估，发现当RBM层数设为5层时，对于每层隐藏单元数，APP数据集设为150，Last.fm数据集设为2 000，所采用的DBN结构在推荐下达到了最佳性能。Srivastava等人[26]指出在深度神经网络中添加更多的层并不是最好的，添加层数过多会导致严重的过拟合，即在DSM模型和DBN中添加更多的层和神经元单元并不能提高推荐性能。