《表3 100K-Movie Lens与1M-Movie Lens数据集特征对比》

  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

《一种结合评分重合度的协同推荐算法》

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

鉴于CFCRO算法是一种在稀疏评分环境下对IBCF进行改进算法，因此，本文的实验部分以IBCF算法[5]和SOCF算法[10]作为对比算法。为了保证实验结果的可比性，实验数据集选用了推荐系统研究中常用的Movie Lens数据集[12]，该数据集是由美国明尼苏达大学Group Lens实验室从真实电影推荐系统中收集整理而来的数据所构成，该数据集提供了不同用户数量、项目数量、评分数量以及稀疏度的数据子集，本文涉及的实验将分别在评分数据规模为100K和1M的两组数据子集上进行，后续实验结果图表中分别使用100K-Movie Lens和1M-Movie Lens指代两组数据集，以验证CFCRO在不同稀疏评分环境下提高预测准确度的有效性，两组数据集的数据特征如表3所示，训练集和测试集划分采用10折交叉验证方案。