《表3 基于不同特征的链路预测方法的Precision,Recall和AUC比较》

  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

《基于层次化混合特征图的链路预测方法》

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

其中，方法1～4是传统的链路预测方法，方法5～8是对本文所提出的链路预测方法的不同实现方式.针对性能指标Precision，Recall和AUC的测试结果如表3所示.方法1～4分别基于共同邻居、Jaccard系数、随机游走概率和向量距离来评估节点间产生链路的概率.其中，方法4是一种典型的基于网络表示学习的链路预测方法，其思想是利用随机游走序列表示各个节点的近邻并作为语言模型的输入，以获取节点的向量表示，最终通过计算向量间距离来进行链接预测.由于方法4在随机游走的基础上采用了网络表示学习技术，可有效缓解信息网络的稀疏性问题，因此略优于方法3.然而，方法1～4在预测时仅考虑了网络的拓扑特征，而忽略了节点之间的语义相似性，语义相关性，因此Precision，Recall和AUC均较低.方法5在此基础上考虑了主题的共现程度，稀有程度等语义特征同方法1～4比，Precision，Recall和AUC均有所提高.方法6～8在预测时考虑了拓扑特征、语义特征和时序特征.方法6在计算直接关联强度时仅将链路的生成时间作为时序特征.方法7，8在方法6的基础上，考虑了时序节点的稳定因子，不同在于:方法7在计算稳定因子时未考虑邻域系数，而方法8既考虑了当前时序节点的稳定性，也考虑了其邻居节点的稳定性，更能有效地评估关联强度.