《表5 各模型预测评分性能对比》

  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Item2Vec负采样优化的专题地图产品个性化推荐方法研究》

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

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。