《表5 不同的特征划分策略及转移概率计算策略对链路预测的Precision,Recall和AUC影响》

  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

实验结果如表5所示，其中，HIN（heterogeneous information network）方法是在传统的异构信息网络上进行链路预测，虽然也考虑了拓扑特征、语义特征和时序特征，但将它们同等对待（即不考虑权重），影响了预测的准确性.方法2，3基于梯度下降方法对这些特征的权重进行了学习，能够有效地对它们加以区分.对于方法2，当节点在层内及层间进行随机游走时，不区分边的类型.方法3在方法2的基础上，利用实体转移系数和语义转移系数对边的特征加以区分，提高了链路预测的准确性.这些算法的ROC曲线如图6所示，可见本文提出的算法（方法3）具有一定优势.