《表2 不同算法的RMSE对比》
本文提出的融合用户信息熵和用户行为一致性改进的基于模型的协同过滤算法(ABMF)对比基本的BMF算法,RMSE指标降低了1.1%。文献[12]提出的UEITMF方法融合信息熵和时效性的改进,考虑了实时动态这一特性,但是相较原始方法精度提升不明显,而且增加了算法的复杂度。文献[13]只是从数据质量的角度考虑,单一地考虑了用户前后行为的变化,推荐精度也有一定提升。Entropy-based-CF[14]是在基于用户协同过滤基础上的融合信息熵,算法的逻辑性和理解性较高。不同算法的RMSE对比如表2所示。
图表编号 | XD003892300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 苏梦珂、杨煜普 |
绘制单位 | 上海交通大学自动化系系统控制与信息处理教育部重点实验室、上海交通大学自动化系系统控制与信息处理教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |