《表2 预测结果的均方误差(MSE)》

  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

《基于共享随机效应和特异稀疏效应的混合多任务学习模型》

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

在本小节中，我们利用MSS模型对电影评价网站IMDB.com提供的开放数据进行了分析.原始数据来源于IMDB.com网页上的用户电影评论和对应的电影评分.数据共包含25000条电影评论，每条评论都对应一个取值范围0～10的评分，我们这里只提取偏向两极（评分小于4分的负面评论或大于7分的正面评论）的评分对应的评论用于关键词的提取，并且保证正面评论和负面评论的数目相等.全部评论包含的所有不重复的词汇构成了我们需要的词库，其数量对应特征的维度p，每条评论对应一个p维词库向量，评论中出现的所有不重复的词汇在p维词库向量中对应的位置用1表示，其余位置用0表示[33].在本实验中，p=27743，表明全部评论中所有不重复的词汇数共计27743个.电影类型一共选取3种:剧情片、喜剧片和恐怖片，对应的评论数分别为8286，5027和3073.我们用MSS模型构建回归模型，用于对电影评分进行预测和对电影评分有关的关键词进行提取.并将结果与对每一个类型电影进行单独训练的RSS模型、岭回归和Lasso进行对比.利用10折交叉验证的方法对4种算法的结果（电影预测评分的均方误差）进行比较.结果在表2中展示.对于剧情片和喜剧片MSS模型相对另外3种模型有更好的预测结果，这与3.1小节中的实验结果一致.