《表1 提出方法与传统推荐算法的误差对比》

  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

《基于特征迁移的在线教育导师推荐方法》

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

由表1和图2可以看出，基于特征迁移学习的推荐方法（FTLCM）有效地降低了RMSE和MAE值，该方法的推荐效果要优于传统的一些推荐算法。从上述实验结果可以看出，基于用户协同过滤的推荐算法推荐结果较差，分析其原因，主要是由于该方法仅仅根据用户的喜好评分来计算用户之间的相似度，而在一些评价数据稀疏的领域集中，存在数据冷启动的问题，很难获得足够的用户评价数据。基于概率矩阵分解的方法比用户协同过滤的方法效果有所提升，其原因是使用矩阵分解技术在一定程度上规避了数据的稀疏性，但其并没有有效地利用相关领域中的大量辅助数据。基于迁移学习的协同过滤方法虽然使用了相关领域的数据，但是其没有考虑某些领域存在关联特征的情况，因此没有基于特征迁移的推荐方法效果更理想。