《表3 不同方法在单一、多元关系下的过滤结果》
本实验在i7-8750h处理器上运行,GPU gtx1050ti,实验结果如表2和表3所示.由于预测的尾实体可能出现在训练集中,表2给出了不同方法在单一、多元关系下的粗糙结果,表3则给出了过滤后的结果.从表2和表3可以看出,本文提出的TransHME方法在Hits,MR,MRR指标上都优于传统的方法.表3中融合多元关系的TransHME对尾实体电影预测的精度远胜单一关系的翻译预测方法,证明融合多元关系能更精准地为用户推荐感兴趣的电影.同时,TransE,TransH,TransR,TransD等方法在融合多元关系之后,精度仍然低于TransHME方法,如TransHME在Hits@1上的取值为0.7304,比TransE+Mule的0.6581高约7.2%,这表明在获取头实体用户、尾实体电影的异质语义信息方面,正交的类型矩阵MRu和MRv起到了重要的作用,验证了融合节点的异质类型信息可以精确地预测尾实体,在Hits@1指标上能够预测更多的感兴趣的尾实体电影.
图表编号 | XD00167285200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.30 |
作者 | 郑建兴、李沁文、王素格、李德玉 |
绘制单位 | 山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室(山西大学)、山西大学计算机与信息技术学院、山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室(山西大学)、山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室(山西大学) |
更多格式 | 高清、无水印(增值服务) |