《表3 在3个数据集中不同方法的整体性能对比》
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%.
图表编号 | XD00129615700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 冯春燕 |
绘制单位 | 北京邮电大学信息与通信工程学院、北京邮电大学先进信息网络北京实验室 |
更多格式 | 高清、无水印(增值服务) |