《表3 在Film Trust数据集上的RMSE对比》
从表1—4可以发现:User KNN算法、MF算法和PMF算法的性能较差,这是由于传统协同过滤推荐算法存在的局限性,而EE算法和DEE算法的性能优于传统协同过滤推荐算法,说明将用户和物品嵌入到统一的隐藏特征空间是有效的。另外,本文提出的DEE算法性能优于传统的欧几里得嵌入模型,验证了本文利用深度学习技术学习用户和物品隐藏特征向量之间的高阶、非线性交互函数的有效性。在Movie Lens100K数据集和Film Trust数据集上,当K=16时,与对比算法中的最优RMSE结果对比,本文提出算法相比于传统算法,优化改进的幅度分别为2.04%和2.35%。
图表编号 | XD00224183400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 余永红、殷凯宇、王强、张文彪、赵卫滨 |
绘制单位 | 南京邮电大学通达学院、南京邮电大学通达学院、南京邮电大学通达学院、南京邮电大学通达学院、南京邮电大学通达学院、计算机软件新技术国家重点实验室(南京大学) |
更多格式 | 高清、无水印(增值服务) |