《表2 超参数设置：隐式反馈场景下的LFM-XGB-LR融合推荐算法》

  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

《隐式反馈场景下的LFM-XGB-LR融合推荐算法》

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

超参数（hyper parameter）的选取采用网格搜索（Grid Search）方法，涉及的超参数的最终选取结果如表2。根据图4的模型误差和AUC随迭代次数的变化趋势，LFM的损失函数在700次迭代后收敛于0.8E-4，为了保证得到嵌入向量的准确性，将LFM的迭代次数设置为1 000；融合模型的误差在800次迭代后收敛于0.9E-4，同时测试集AUC稳定上升至最大值0.819保持不变，据此，将模型收敛误差阈值设置为1E-4，由于模型最终的输出是预测为正样本的概率值，1E-4之内的误差不会对实验结果产生干扰。由于实验数据量较大，模型的计算均使用Spark在分布式数据库上进行。