《表3 不同稀疏度的数据集推荐结果NDCG最大值》
为了消除卷积层数对实验结果的影响,分别设置卷积层数为4层、5层和6层进行实验,得到的结果如表2和表3所示,深度协同过滤模型在取不同卷积层数时,都在极度稀疏的数据集上取得了最好的推荐效果.由于大多数基于内存的协同过滤算法,在数据极度稀疏且数据量大的情况下,会限制推荐性能,因为用户(项目)之间的相似度会随数据稀疏、维度增加而难以准确计算,进而影响推荐效果.而深度学习方法则可以突破此限制,使其在极度稀疏的数据集上取得更好的推荐结果,显示了将深度学习应用于协同过滤推荐系统的优势.此外,在众筹平台Ulule上,其数据稀疏度远大于本文选取的极度稀疏数据集,所以本文提出的模型适用于数据量大且更稀疏的Ulule平台.
图表编号 | XD00213644700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 吴远琴、尹裴、干宏程 |
绘制单位 | 上海理工大学管理学院、上海理工大学管理学院、上海理工大学管理学院 |
更多格式 | 高清、无水印(增值服务) |