《表2 不同推荐模型的性能评估》

  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

《基于自注意力的协同演进推荐》

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

表2列出了BSFRNN与其它推荐模型在top-N=5和top-N=10的推荐对比结果。从表2中可以看出BSFRNN在评估指标NDCG的取值上达到了最好的结果，也就表示BSFRNN预测用户的下一次行为的准确性更高，可将真实发生的交互项目排在推荐列表更靠前的位置。BSFRNN的高效性得益于融合了动态的和静态的特征表现，同时在学习用户以及项目动态特征表现时，精确挖掘和学习了交互序列中的时序特征和语义信息，有效提高了预测用户下一次行为的准确性。从表2可知尽管RRN在top-N=5时，HR比BPRMF相对更高些，但是NDCG的评估效果却低于BPRMF接近6%，原因是尽管RRN考虑了时间以及评分对特征动态性的影响，但是预测用户下一次行为时仅涉及前一次行为涉及的项目（用户），因此这种近期的交互之间的影响并不能有效获取到，其次模型参数共享的问题会导致一定信息的丢失。Caser相比于BSFRNN推荐结果不好的原因在于卷积神经网络在长序列问题上不如RNN，同时也在于本身序列语义信息提取能力不如自注意力机制。NeuMF虽然比BPRMF在top-N=5时的推荐效果好，但是并不是学习用户以及项目特征的时序动态性，因而其标准化折扣累积增益（NDCG）要比BPRMF低6.8%。从表2可知，AttRec的推荐效果要低于BPRMF，原因是仅使用自注意力机制提取了序列中用户的近期兴趣偏好，尽管融合了度量学习模拟的长期特征，但是却忽略了项目特征的动态性。从表2可知BSFRNN的推荐性能要明显高于BPRMF，主要原因是该模型是从矩阵分解角度完成推荐，然后使用BPR-Opt优化准则优化推荐列表，完全忽略了用户以及项目的时序动态性，因而推荐效果不明显。