《表5 各模型预测评分性能对比》
本系列图表出处文件名:随高清版一同展现
《基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究》
本文在用于专题地图产品偏好推荐的评分实验数据集“Thematic CMaps”和4种不同数据量的验证数据集Movie Lens中运行4种传统推荐模型:LFM、Personal Rank、Content Based和SVD,以及本文提出的推荐方法,以多次实验的预测评分和真实评分的RMSE指标平均值来衡量各模型推荐效果,表5给出了各模型在测试集上的评分预测性能对比结果。从表5可知,本文所提用于专题地图产品推荐场景的用户偏好推荐方法,在专题地图评分实验数据集和验证数据集上的评分预测精度均优于4种传统推荐模型,且推荐性能均有所提升,说明本文所提方法,相比于LFM和SVD,对用户和项目的潜在特征有较好的学习能力;相比于Personal Rank和Content Based,具有有效的特征提取能力,能对用户行为的情景信息进行有效建模。其中,在实验数据集中,基于CBOW模型优化的Item2Vec方法比4种传统推荐模型在预测准确率上提升:16.44%、15.33%、13.80%和1.49%。在4个验证数据集中,总体上本文所提方法的预测准确率优于4种传统推荐模型,相比于LFM模型,本文所提方法预测准确率整体提升27.85%;相比于Personal Rank模型,本文所提方法预测准确率整体提升27.45%;相比于Content Based模型,本文所提方法预测准确率整体提升18.63%;相比于SVD模型,本文所提方法预测准确率整体提升4.95%。按模型在数据集中的实验结果,除Content Based模型外,本文所提方法相比于其余3种模型在提升预测准确率上均为正相关,随数据集中数据量的不断变大,评分预测性能提升越明显。在基于神经网络的推荐模型中,本文所提方法相比于以霍夫曼采样方式的Item2Vec基础方法,实验数据集中提升0.45%,验证数据集中提升0.55%、0.68%、1.88%和2.97%,说明评分预测精度上优于后者,评分预测性能也有了一定的提升;本文对You Tube Net模型作了改动,在不引入用户个性化信息的情况下,只对具有用户行为特征的物品序列进行建模,结果表明,实验数据集中预测准确率提升0.97%,验证数据集中预测准确率提升1.19%、1.13%、4.24%和5.78%,说明本文所提方法在评分预测精度上优于后者,且评分预测性能有了大幅度提升。为验证本文所提方法在不同比例训练集下的评分预测性能变化差异,本文对Movie L-ens-20M数据集进行不同大小的切分,实验结果见表6所示。
图表编号 | XD00184291800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.25 |
作者 | 毛文山、赵红莉、孙凤娇、蒋云钟、姜倩、朱彦儒 |
绘制单位 | 兰州交通大学测绘与地理信息学院、地理国情监测技术应用国家地方联合工程研究中心、甘肃省地理国情监测工程实验室、中国水利水电科学研究院水资源研究所、中国水利水电科学研究院水资源研究所、赤峰工业职业技术学院、中国水利水电科学研究院水资源研究所、兰州交通大学测绘与地理信息学院、地理国情监测技术应用国家地方联合工程研究中心、甘肃省地理国情监测工程实验室、中国水利水电科学研究院水资源研究所、兰州交通大学测绘与地理信息学院、地理国情监测技术应用国家地方联合工程研究中心、甘肃省地理国情监测工程实验室、中国水利水电科学研究 |
更多格式 | 高清、无水印(增值服务) |