3. 3.3. Performance evaluation resu

3. 3.3. Performance evaluation results of improved collaborative filtering recommendation algorithm The score prediction results of the collaborative filtering recommendation algorithm using the fusion customer trust model come from two parts: the nearest neighbor of customer trust and the nearest neighbor of customer score similar. In order to determine the influence of the threshold number ρ of the two sets of intersection elements on the recommendation result, an experimental verification was performed. During the experiment, the alpha value in the scoring prediction formula is set to 0.8, the number of recommendations is N=15, the value of the threshold ρ is constantly changed, and the change of the MAE is observed. The experimental results are shown in Fig. 4. 3.4. The results of the prediction formula weight α In order to study the influence of the nearest neighbors of customer scoring on the recommendation results in the improved scoring prediction formula of this research model, cross-trial tests were used to analyze the value of α values. In the experiment, the recommended number was selected as N=15, ρ=16, and the results of the experiment were counted. The results obtained on this basis are shown in Fig. 5. 3.5. Performance comparison of different recommended algorithms The improved algorithm is compared with the collaborative filtering recommendation algorithm and the recommendation algorithm based on the customer trust model to verify the effectiveness of the improved algorithm. In the calculation of trust degree, the trust model proposed in this paper is used for calculation. The number of neighbors is from 4 to 30, with an interval of 4. The experimental results are shown in Fig. 6.

結果 (繁體中文) 1:

3. 3.3。改進的協同過濾推薦算法的性能評價結果使用融合客戶的信任模型的協同過濾推薦算法的比分預測結果來自於兩部分：客戶信任的近鄰和客戶的近鄰得分相似。為了確定兩個集合上的推薦結果交集的元素的閾值數量ρ的影響，進行了實驗驗證。在實驗過程中，評分預測公式中的α值設定為0.8，建議的數目是N = 15，閾值ρ的值被不斷地變化，並且觀察到MAE的變化。實驗結果示圖43.4英寸 的預測公式權重α的結果為了研究顧客得分對這一研究模型的改進的得分預測公式中的推薦結果的最近鄰居的影響，交叉試驗檢驗用於分析α值的值。在實驗中，推薦的數目被選定為N = 15，ρ= 16，和實驗的結果進行計數。在此基礎上得到的結果示圖53.5英寸 的不同的推薦算法的性能比較的改進算法與協同過濾的推薦算法和基於所述客戶的信任模型以驗證改進算法的有效性的推薦算法進行比較。在信任度的計算，本文提出的信任模型用於計算。

結果 (繁體中文) 2:

3. 3.3.改進的協作過濾推薦演算法的性能評價結果 使用融合客戶信任模型的協作過濾建議演算法的得分預測結果來自兩個部分：近鄰客戶信任度與客戶最近鄰位得分相似。為了確定兩組交集元件的閾值值α對建議結果的影響，進行了實驗驗證。在實驗中，評分預測公式中的 Alpha 值設置為 0.8，建議數為 N=15，閾值 α 的值不斷更改，並觀察 MAE 的變化。實驗結果如圖4所示。3.4. 預測公式權重結果 =為了研究客戶評分的鄰近方對推薦結果的影響，在改進的評分預測公式中，採用交叉試驗測試進行分析* 值的值。在實驗中，將推薦數選為N=15、±16，並將實驗結果計算在內。在此基礎上獲得的結果如圖5所示。3.5. 不同推薦演算法的性能比較 改進的演算法與協作過濾推薦演算法和基於客戶信任模型的建議演算法進行比較，以驗證該演算法的有效性。改進的演算法。在信任度計算中，採用本文提出的信任模型進行計算。鄰居數為 4 到 30，間隔為 4。實驗結果如圖6所示。

結果 (繁體中文) 3:

三。3.3條。改進的協同過濾推薦算灋效能評價結果採用融合客戶信任模型的協同過濾推薦算灋的評分預測結果來自兩部分：客戶信任的最近鄰和客戶評分的最近鄰相似。為了確定兩組相交元素的閾值對推薦結果的影響，進行了實驗驗證。在實驗過程中，將評分預測公式中的α值設為0.8，推薦數N=15，閾值ρ值不斷變化，觀察MAE的變化。實驗結果如圖4所示。3.4條。預測公式權重α的結果為了研究客戶評分近鄰對推薦結果的影響，在本研究模型的改進評分預測公式中，採用交叉試驗的方法對α值進行了分析。實驗中，選擇推薦數N=15，ρ=16，並對實驗結果進行統計。在此基礎上得到的結果如圖5所示。3.5條。不同推薦算灋的性能比較將改進算灋與協同過濾推薦算灋和基於客戶信任模型的推薦算灋進行了比較，驗證了改進算灋的有效性。在信任度的計算中，採用本文提出的信任模型進行計算。鄰居的數目是從4到30，間隔是4。實驗結果如圖6所示。