《表3 不同稀疏度的数据集推荐结果NDCG最大值》

  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

《众筹项目推荐:面向隐式反馈的深度学习协同过滤》

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

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．