《表5 模型在Last.fm数据集上的标准差（2)》

  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

《结合Skip-gram和加权损失函数的神经网络推荐模型》

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

当推荐项目Q的数量设置很小的时候，正确项目被列为最重要的项目的可能性更小。但是当推荐项目Q的数量变大时，所有方法都会推荐不相关和相关的项目，导致准确性降低。从图8、9可以看出当APP数据集的Q设为4，Last.fm-1k数据集的Q设为20时，所有方法的精度达到其最大值。在精度上，Pro-Ave方法比其他方法有更好的性能，而在新颖性上，Ran-Max方法比其他方法有更好的性能。所以在准确性和新颖性方面，从DSM模型派生出来的方法比其他方法产生了更好的性能。从Ran-Max方法得到的实验结果可以看出，可以使用随机抽样和最大池化来保证深度学习推荐的新颖性。因此，本文使用深度神经网络学习项目的内在关系，可确保项目关系可以在网络中被“记住”从而提高推荐精度，使用加权损失函数可确保用户的历史评分中项目可以频繁被推荐，从而改进推荐的多样性。