《表2 6种方法在5个数据集上的分类识别率》

  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

《用于非精确图匹配的改进GCN模型》

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

%

表2展示的是6种方法在5个数据集上的分类匹配的识别率。其中BCNNS是本文的引入了BC算法与NNS节点排序算法的方法。而BC是在没有NNS算法的情况下在各个数据集上的实验，让BC与BCNNS进行对比是为体现算法NNS的有效性。在之前的对比实验中可以得出BC算法在一定程度上提高了算法的识别率与稳定性，添加了NNS算法的BCNNS，其在识别率上较之BC算法有了进一步的提升，并且在PTC数据集上有较高的提升，在其他数据集上的识别率也有一定程度的提升，因此NNS算法的引入是有效的。另外，在数据集D&D上的实验也是为了验证BC算法较优的实验结果。本文提出的BCNNS算法在数据集PTC、COX2、BZR及D&D上都有较好的分类匹配识别率，其中在数据集PTC与COX2上的分类匹配识别率提升较大。相较于传统的图核SP与WL方法，BCNNS方法在大部分数据集上都有较好的分类匹配率。比较其他两种基于CNN的拓扑图分类匹配算法，BCNNS算法不仅在分类匹配识别率上有所提升，其在稳定性方面也有优势（在10组实验中，BCNNS算法在数据集上的识别率上下波动的范围较小）。从表2中可以看到，对于数据集MUTAG，识别率峰值不如PATCHY-SAN方法，原因是该数据集平均节点数较小，本文提出的邻域节点排序对其拓扑结构数据的影响不是特别大，但是加入了BC方法的BCNNS算法在稳定性上有所提升。因此，在大部分数据集上，本文的BCNNS算法优于现有的图卷积神经网络方法与图核方法。