《表2 不同推荐算法的对比》
从图7分析可以看出,本文提出的CDAECF算法的F1值均高于另外3种算法,说明本文提出的CDAECF推荐算法推荐准确度明显高于另外3种算法.从表2分析可知,本文提出的CDAECF模型准确率比DAE算法的准确率高了将近6%.这表明本文利用卷积神经网络对用户-项目评论数据进行特征提取后,结合降噪自编码神经网络可以有效提高推荐准确率本文提出CDACF推荐算法和CDE推荐算法性能高于User-ItemCF算法和SVD算法,说明基于深度学习的非线性学习模型与传统的线性学习模型相比更能深层次全面地挖掘用户-项目评分数据的隐含特征,从而提高推荐准确率.
图表编号 | XD00177962400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.30 |
作者 | 马鑫、吴云、鹿泽光 |
绘制单位 | 贵州大学计算机科学与技术学院、贵州大学计算机科学与技术学院、中科国鼎数据科学研究院 |
更多格式 | 高清、无水印(增值服务) |