《表1 三个实验数据集信息表》

  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

《改进矩阵分解与卷积神经网络结合的推荐模型》

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

为了验证本文提出的基于改进矩阵分解与跨通道卷积神经网络结合的推荐模型在给用户推荐项目时的有效性，将PMF、CTR、CDL、MF&CNN与本文MF&跨通道CNN模型的预测性能进行比较，其中PMF(概率矩阵分解）是一个标准的使用评级预测的协同过滤模型；CTR是一个将协同过滤（PMF）和主题建模（LDA）结合使用的混合推荐模型，该模型考虑用户评分信息和用户对项目的描述文字信息；CDL是一个使用SDAE来提高评分预测准确性的推荐模型；MF&CNN是传统矩阵分解与普通卷积神经网络模型。本文使用了稀疏度为4.641%的Movie Lens 1 m、1.141 3%的Movie Lens 10 m和稀疏度为0.030%的亚马逊AIV且可供查找的三个数据集[14]，这些数据集有用户对项目的评分数据和对项目的描述信息。具体的用户数、项目数、评论数等见表1。