《表3 在3个数据集中不同方法的整体性能对比》

  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

《面向会话型推荐系统的个性化分层循环模型》

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

为了验证提出方法的整体性能，实验2将PHRM及其变体与捕捉长期兴趣的贝叶斯个性化排序方法（BPR，bayesian personalized ranking）、捕捉短期兴趣的方法（item2vec、SF-SKNN、GRU4REC和GRU4REC+）和同时捕捉长短期兴趣的方法（HRNN）在3个数据集上分别进行实验，如表3所示．首先，item2vec的性能在3个数据集上都优于BPR，因为item2vec可通过引入时间信息提升性能．SF-SKNN的性能优于item2vec，原因是SF-SKNN认为序列中不同位置项目产生的影响不同，而item2vec无差别对待．由于基于非线性变换的RNN能更容易捕获复杂的时序关联，所以GRU4REC和GRU4REC+的性能都优于item2vec.HRNN的性能优于GRU4REC，因为HRNN引入了用户的长期偏好，为GRU4REC补充了个性化信息．GRU4REC+克服了随着采样样本数增加而出现的梯度消失问题，性能明显优于GRU4REC和HRNN．另外，进一步分析了不同层次兴趣信息对推荐性能的影响．GRU4REC+（即PHRM-s）、PHRM-b和PHRM-u的性能依次递减，说明短期兴趣中包含的细节信息比中、长期的局部和全局信息更丰富、更关键．分析表1的数据可知，3个数据集中的会话/区块值均高于区块/用户值．因此PHRM-u的性能略低于PHRM-b的原因可能是PHRM-u会遇到更多地只包含1个或2个区块的用户，从而影响了模型学习全局兴趣信息的准确性．值得关注的是所提出的PHRM性能在3个数据集上都高于所有的对比方法，即使没有采用融合层PHRM-n的性能，也优于其他对比方法．结果表明，与只捕捉了会话内序列信息的GRU4REC+相比，PHRM-n引入区块级和用户级RNN来建模区块内相邻会话的关联并追踪全局兴趣演化的设计，能够提升推荐性能．另外，PHRM通过引入融合层能够有效捕捉跨层级的交互信息，进一步提升推荐性能．以Movie数据集为例，PHRM与GRU4REC+相比Recall@10值提升了18.35%，MRR值提升了16.81%.