《表5 消融研究的结果：一种基于个性化成对损失加权的新颖推荐》

  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

《一种基于个性化成对损失加权的新颖推荐》

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5显示了实验结果．从表中可知，仅考虑用户的偏好（“新颖匹配”），两个数据集的准确性都得到了提高．这意味着用户确实具有特定的新颖性区域，并且用户倾向于从该区域中选择项目．在“Novelty Scaling”中，它在HR和NDCG略有下降的情况下都促进了这两个数据集的新颖性．最后，“Full Model”在所有实验中均提供了最佳的L＿Tail分数，并且具有具有竞争力的Nov分数．对于较小的数据集Citeulikea，“Full M odel”更喜欢新颖性，但代价是准确性更高．对于较大的数据集Pinterest，它给出的结果更加平衡．这些可能是由于在较小的数据集上过度拟合造成的．