《表2 推荐评价：Item2vec与改进DDPG相融合的推荐算法》

  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

《Item2vec与改进DDPG相融合的推荐算法》

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

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。