《表2 基线对比实验结果》

  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

《基于会话信息的多粒度循环神经网络推荐模型》

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

GRU4REC是目前效果最好的算法之一，相比于GRU4REC，本文提出的MRARR方法主要在其原有的基础上，增加了粗粒度信息的建模，并将结果和原有的商品粒度信息相结合，这使得相比于GRU4REEC方法，MRARR模型具有更好的泛化性和鲁棒性。如表2所示，相对于GRU4REC算法，本文提出的MRARR算法有较为明显的提升，在YOOCHOOSE数据集上，Recall@20指标提升了5.3%，MRR@20指标提升了9.8%，在DIGINETICA数据集上也分别有14%和15%的提升，由此可见引入更粗粒度的如商品类别信息，可以有效地提升模型效果和泛化性。当商品的长尾商品和冷启动商品更多的时候，MRARR方法将具有更为明显的优势。另外可以看到基于会话的推荐模型如Item-KNN、GRU4REC以及MRARR模型均效果明显好于静态的推荐模型如POP、BPR-MF。一方面是因为数据集本身就是侧重于用户短期兴趣的数据，另外也说明用户短期兴趣在推荐场景中有较大的影响。