《表1 不同稀疏度下各推荐算法比较》

  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

《基于数据稀疏性的协同过滤推荐算法改进研究》

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

为进一步确定优化效果，将稀疏度改变。稀疏度定义为用户评分数据中未评分项所占比例，即为：1–评分项/（用户数×电影数）。在本文采用的数据集中，用户有943人，电影有1 682部，原始数据记录有90 570条，即稀疏度d为：d=1–90 570/（943×1 682)=0.943。再随机抽取45 542、36 481、27 245、18 097条记录作为测试数据，相应稀疏度为0.971、0.977、0.983、0.989。从图1看出：在支持度权重[15–16]优化算法中k取值范围在15～30之间具有更好的优化效果；在邓爱林等[14]优化算法中，k取值范围在10～25之间具有更好的优化效果。基于计算量考虑，本文采用k=15进行实验。支持度权重[15–16]优化算法、邓爱林等[14]优化算法和本文优化算法的MAE在稀疏度增大情况下的比较结果如表1所示。