《表3 不同聚类数在不同迭代次数下的召回率》

  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

《基于粒子群优化算法的协同过滤推荐并行化研究》

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

为了对RLPSO＿KM＿CF算法的推荐效率和推荐准确度进行分析，采取了以下几组实验:1) 对比RLPSO＿KM＿CF算法在不同聚类下的平均绝对误差值、召回率及F-Measure值，进而判断算法所选择的聚类参数值K；2) 对比RLPSO＿KM＿CF算法与传统基于用户的协同过滤推荐算法User-CF、基于聚类的协同过滤推荐算法KCF，进而判定本文算法的有效性；3) 对比RLPSO＿KM＿CF算法与其他改进推荐算法的平均绝对误差值，验证RLPSO＿KM＿CF算法的推荐准确度；4) 对比基于Spark的RLPSO＿KM＿CF算法与基于Hadoop的User-CF与Item-CF算法，验证算法的推荐效率.利用RLPSO＿KM算法分别将用户划分成1～8个簇，同时，运用协同过滤推荐算法于每次迭代的每个簇类中，并且计算平均召回率和平均绝对误差值.表3为RLPSO＿KM＿CF算法在聚类数分别为1～8时得到的推荐结果的召回率.其中，聚类数为1时，RLPSO＿KM＿CF算法与传统的User-CF算法效果相当.