图3.9展示了基于CF-IWA PSO-SVM模型的推荐方法与基于项目的协同过滤(Item-based Collaborative Filtering，ItemCF)、基于用户的协同过滤(User-based Collaborative Filtering，UserCF)、基于PSO-SVM分类模型的推荐、基于GA-SVM分类模型的推荐、基于GS-SVM分类模型的推荐以及基于BP神经网络模型的推荐在MovieLens数据集上的离线实验结果。
从图3.9中可以发现，各种方法的分类准确率随着训练样本数量的增加也在不断升高，因为随着样本数量的增加，可利用的用于电影推荐的信息也越多，为推荐模型的建立提供了丰富、可靠的信息。同时，本章提出的CF-IWA PSO-SVM推荐方法比其他几种方法的分类准确率都高。在训练样本达到整个训练集的90%时，CF-IWA PSO-SVM方法的分类准确率达到了74.9%，而POS-SVM方法的分类准确率为73.7%，GA-SVM方法的分类准确率为72.2%，GS-SVM方法的分类准确率为74.5%，BP方法的分类准确率为70.1%，UserCF方法的分类准确率为68.6%，ItemCF方法的分类准确率为68.9%。
图3.9 分类准确率
Fig.3.9 Classification accuracy
建立一个较优秀的推荐模型，不仅要求它具有较高的准确率(“查准率”)，而且也要使它尽可能多的识别对用户感兴趣的项目(“查全率”)。衡量这种能力的一个重要的指标是FSF-Score。如图3.10所示，CF-IWA PSO-SVM方法与其他6种方法相比，具有明显的优势。特别是在训练样本数量占整个训练集的90%时，该方法的FSF-Score值达到了最高。
在很多情况下，用户对排在推荐列表前面的几个或几十个项目的兴趣度更高，因此，对准确率的分析限定在前10个推荐的电影中。从图3.11可以发现，CF-IWA PSO-SVM方法的分类准确率明显比其他几种方法高。在训练样本达到整个训练集的90%时，该方法的准确率达到了79.6%，而PSO-SVM方法为73.5%，GA-SVM方法为69.2%，GS-SVM方法为75.5%，BP方法为66.3%，UserCF方法为51.7%，ItemCF方法为52.8%。这些结果比较令人鼓舞，并提供了经验证据——使用理论上有根有据的学习算法可以提高推荐系统的预测准确率。(www.xing528.com)
图3.10 7种方法的F-Score值
Fig.3.10 The F-Scores of these seven methods
图3.11 Top-10分类准确率
Fig.3.11 Top-10 classification accuracy
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
