《表2 推荐评价:Item2vec与改进DDPG相融合的推荐算法》
实验硬件环境:PC机一台,8GB内存+256GB硬盘。本文实验平台操作系统为window10,编程语言为python语言,编程在Jupyter Notebook上进行。实验使用movielens数据集(https://grouplens.org/datasets/movielens/),其中ml-latest-small数据集中包括600个用户对9 000部电影的10万条评分记录。设K=3(状态中包括3部电影),实验在经过Item2vec处理后的连续动作空间上进行,电影的词向量维度分别设置为20,50,70,对比不同词向量维度在相同算法参数设置下,平均奖励的收敛情况和推荐准确性。图3为在不同词向量维度设置下平均奖励的收敛情况,可以看出该算法在词向量维度为20时,产生的推荐策略获得的平均奖励最大,推荐的电影最符合用户兴趣。本实验选取准确率(Precision)作为推荐策略的评价指标,表2为算法在不同词向量维度设置下的推荐准确度。
图表编号 | XD0077701500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.24 |
作者 | 刘文竹、黄勃、高永彬、姜晓燕、张娟、余宇新 |
绘制单位 | 上海工程技术大学电子电气工程学院、上海工程技术大学电子电气工程学院、江西省经济犯罪侦查与防控技术协同创新中心、上海工程技术大学电子电气工程学院、上海工程技术大学电子电气工程学院、上海工程技术大学电子电气工程学院、上海外国语大学国际金融贸易学院 |
更多格式 | 高清、无水印(增值服务) |