《表4 符号预测模型LR-SN的泛化能力》

  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

《基于节点地位和相似性的社交网络边符号预测》

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

c)通过比较status和balance方法发现，balance方法在三个数据集中的表现均优于status方法，其中Epinion数据集的对比效果尤为明显。这在某方面说明了考虑局部信息的方法在符号属性方面的预测效果要优于考虑全局信息的方法，尤其是在网络较为密集的情况下。另外，LR方法也获得了较好的预测效果，该方法综合考虑了地位理论与结构平衡理论，相较于status和balance方法，其预测精确度显著提高，进一步验证了通过融合全局信息和局部信息能够有效提高预测精确度。此外，实验中还对LR-S以及LR-SN模型的泛化能力进行了测试，其训练集占比为90%。运用三组数据集训练的两种模型均体现出较好的泛化能力，如表3、4所示，其中训练集占比90%。