《表3 不同方法在单一、多元关系下的过滤结果》

  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

《基于翻译模型的异质重边信息网络链路预测研究》

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

本实验在i7-8750h处理器上运行，GPU gtx1050ti，实验结果如表2和表3所示.由于预测的尾实体可能出现在训练集中，表2给出了不同方法在单一、多元关系下的粗糙结果，表3则给出了过滤后的结果.从表2和表3可以看出，本文提出的TransHME方法在Hits，MR，MRR指标上都优于传统的方法.表3中融合多元关系的TransHME对尾实体电影预测的精度远胜单一关系的翻译预测方法，证明融合多元关系能更精准地为用户推荐感兴趣的电影.同时，TransE，TransH，TransR，TransD等方法在融合多元关系之后，精度仍然低于TransHME方法，如TransHME在Hits@1上的取值为0.7304，比TransE+Mule的0.6581高约7.2%，这表明在获取头实体用户、尾实体电影的异质语义信息方面，正交的类型矩阵MRu和MRv起到了重要的作用，验证了融合节点的异质类型信息可以精确地预测尾实体，在Hits@1指标上能够预测更多的感兴趣的尾实体电影.