《表1 0 机器学习算法对于链接预测的影响（网络嵌入融合）》

  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

《基于深度学习的知识表示研究：网络视角》

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

为探究不同机器学习算法对链接预测的影响，需完成不同机器学习算法下的链接预测实验。此处选择9种不同的机器学习算法，分别是朴素贝叶斯（Naive Bayes，NB）、Logistic回归（Logistic Regression，LR）、XGBoost、LightGBM、多层感知机（Multi-Layer Perceptron，MLP）、随机森林（Random Forest，RF）、Bagging、Voting和Bagging and Voting(BVC）。其中Bagging方法与随机森林类似，都是集成学习方法，其不同点在于基分类器不同。具体来说，随机森林的基分类器为决策树（Decision Tree），而Bagging方法的基分类器可以是任何一种机器学习算法，此处选取LR作为Bagging的基分类器。Voting算法本质上是集成学习算法中的Bagging算法，与RF的不同在于Voting中的基分类器各不相同，此处选取LR、NB和XGBoost作为基分类器。BVC算法是先用Bagging方法构建集成学习分类器，然后用Voting方法在集成分类器的基础上构建集成学习分类器。其他变量固定，网络嵌入维度为100，滑动窗口大小为9，α、β、γ取值分别为0.1、0.9、0，λ、μ、η取值分别为0.3、0.6、0.1，特征构造方法采用“向量相减并取绝对值”的方式，对α、β、γ进行遍历。模型融合方法为网络嵌入融合时，机器学习算法对于链接预测的影响如表10所示。