《表2 两个数据集下实验结果Tab.2 Experiment results on two datasets》

  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

《信任社交网络中基于图熵的个性化推荐算法》

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

从表2可以看出在Epinions数据集上与目前现有的推荐方法相比，所提出的方法获得较好的P和CVR。其中:与TSPR算法相比P提高了34.7%，R提高了28.9%；与TSPR和SCF算法相比，CVR分别提高了30.6%和8.1%。此外，所提出的方法在推荐的召回率上也获得很好的性能，在R度量指标上略微小于DGCCF算法，但就F1衡量指标上仍获得较好的性能。另外，基于这些评估度量的实验在FilmTrust数据集上重复进行，相应的结果如表2所示。所提出的方法比TSPR在P和R上分别提高了19.4%和21.1%，同时在其他评估指标下均获得不错的性能。在两个数据集下的实验结果可以看出，推荐的CVR比对比算法均有提升，由于TSPR存在数据稀疏引起的冷启动问题，而本文提出的PARGE综合考虑了用户对物品的多反馈和信任信息从而很大程度上提升了推荐的多样性和新颖性，故可以将新物品推荐给感兴趣的用户或对新用户推荐感兴趣的物品，比对比算法PARGE可以进一步缓解推荐冷启动问题。