《表2 各推荐算法在MovieLens1M数据集上推荐效果对比》
同时,本文对比了因子分解机、xgboost-lr、贝叶斯网络、知识图谱、基于权重式融合的KGE-BNR算法以及基于瀑布式融合的KGE-BNR算法的推荐效果,结果如表2所示。可以看出在电影MovieLens1M数据集上,贝叶斯网络效果相较于xgboost-lr有明显优势,同时与因子分解机模型推荐效果相当,但贝叶斯网络可解释性更强,因此,选择贝叶斯网络与知识图谱融合是可行的。此外,权重式融合的推荐算法效果最佳,在准确率、召回率及F值上都优于其他三种算法,而瀑布式融合其次。
图表编号 | XD00164980300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.20 |
作者 | 侯位昭、张欣海、宋凯磊、司佳、齐幸辉、张博 |
绘制单位 | 中国电子科技集团公司第五十四研究所、河北远东通信系统工程有限公司、中国电子科学研究院、社会安全风险感知与防控大数据应用国家工程实验室、中国电子科技集团公司第五十四研究所、河北远东通信系统工程有限公司、中国电子科技集团公司第五十四研究所、河北远东通信系统工程有限公司、中国电子科技集团公司第五十四研究所、河北远东通信系统工程有限公司、中国电子科学研究院、社会安全风险感知与防控大数据应用国家工程实验室 |
更多格式 | 高清、无水印(增值服务) |