《表1 真实数据集细节：异常值自识别的低秩矩阵补全方法》

  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

《异常值自识别的低秩矩阵补全方法》

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

在本节中，将提出的算法SIOMC应用到具体的推荐系统问题中，分别基于公开数据集和本校在线平台成绩数据进行算法比较。公开数据集为广泛应用的推荐系统数据Jester数据集（http://www.ieor.berkeley.edu/～goldberg/jester-data/）和Movie数据集（https://grouplens.org/datasets/movielens/）。Jester数据集有73 496个用户对100个笑话开展的410万次评分，不同的数据集代表不同大小的数据规模；Movie数据集中是用户对自己看过电影的评分，三个数据集不同规模，用来比较实验中算法应用于不同大小数据规模的实验性能，数据集详情如表1所示。第一部分实验选用的两个数据集是人为对笑话或电影进行评分，整个评分矩阵是高度稀疏的，不能保证所有的评分都在正常范围内。例如在对电影的评分中，有的人可能对没看过的电影进行评分，因此数据集中存在部分异常值的情况。