《表2 基线对比实验结果》
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。
图表编号 | XD0057579900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.15 |
作者 | 岳新玉、刘悦、余志华 |
绘制单位 | 中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |