《表1 数据集信息:基于图神经网络的兴趣活动推荐算法》
作者从Liu等[1]提供数据集中截取洛杉矶、休斯敦和纽约的数据,选这3个城市的原因有两点:一是3个城市分别处于美国西部、中部以及东部;二是3个城市的数据集规模不同。按照Pham等[4]对数据预处理的方式,作者保留数据集中参加活动数大于等于5的用户和参与的用户数大于等于5的活动。为了验证DGNN-AR的性能,作者采用推荐系统中经常使用的“留一法”划分训练集和测试集[17],训练集统计如表1所示。由于在测试过程中为每个用户排序所有活动所消耗的时间较多,因此作者采用He等[15]的方法,为每对用户-活动随机采样出99个这个用户没有参加的活动,对这100个测试活动排序。性能衡量指标使用命中率(Hit ratio,HR)和归一化折损累计增益(Normalized discounted cumulative gain,NDCG)[15]。对于测试集中的每对用户-活动,作者对匹配概率排在前10的测试活动计算HR和NDCG。基于不同的随机种子,DGNN-AR算法将被运行5次,然后统计其均值与不确定性。
图表编号 | XD00197069800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 魏晓辉、孙冰怡、崔佳旭 |
绘制单位 | 吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室、吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室、吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |