《表4 RUA指标的评测结果》

  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

《多异构社交网络的全局建模及应用例证》

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

本文使用4种方法基于新浪微博数据集User Weibo DS和百度贴吧数据集User Tieba DS进行用户兴趣挖掘对比。4种方法简介如下。（1）方法1(USDInt-WB）：使用单异构社交网络新浪微博数据集User Weibo DS，使用3.2.2小节介绍的方法挖掘用户兴趣，具体方法详见文献[16]。（2）方法2(USDIntTB）：使用单异构社交网络百度贴吧数据集User Tieba DS，使用3.2.2小节介绍的方法进行用户兴趣挖掘。（3）方法3(USDInt-WB&TB-PC）：使用两个异构社交网络新浪微博数据集User Weibo DS和百度贴吧数据集User Tieba DS，在背景和生成内容层面融合，然后挖掘用户兴趣。（4）方法4(USDInt-WB&TB-SD）：使用两个异构社交网络新浪微博数据集User Weibo DS和百度贴吧数据集User Tieba DS，在静态和动态兴趣层面融合，然后挖掘用户兴趣。4种方法使用两个社交网络数据集，在RUA指标的评测结果如表4所示。单独使用User Weibo DS，方法USDInt-WB推荐用户准确率RUA为0.61，说明单独使用新浪微博挖掘用户兴趣进行关注用户推荐已经比较准确。单独使用User Tieba DS，方法USDInt-TB推荐用户准确率为0.37，准确率比较低，主要原因是百度贴吧中，用户往往对特定的贴吧感兴趣，用户之间的关注关系相对较少，不像新浪微博用户之间构建了丰富的社交关系。使用两个社交网络，从两个层面进行融合挖掘用户兴趣，第2种融合策略，即在静态和动态兴趣层面融合，效果最理想，推荐用户准确率达到0.69。比单独使用新浪微博数据集的方法USDInt-WB提高了0.08，比单独使用百度贴吧数据集的方法USDInt-TB提高了0.32，比使用第1种融合策略提高了0.04。