《表3 前10%重要链路的预测错误率》

  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

《基于时空注意力深度模型的动态链路预测》

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

综上所述，尽管一些方法在AUC这个统计指标上具有较优的性能，但是它们在错误率上却不尽人意，还是错误地预测了许多无效链路．但是在大多数现实场景中，我们可能只关心那些最重要的连边是否预测正确．因此，进一步评价了所有模型在特别重要的部分链路上得预测性能．本文使用两个度量来衡量每个连边的重要性:度中心性（DC）和链路介数中心性（EBC）．度中心性DC起初是根据邻居的数量来衡量节点的重要性，本文利用源节点和目标节点的度中心性之和来衡量该条链路的重要性．当根据DC和EBC选出前10%重要链路后，计算这些重要链路的预测错误率，结果如表3所示．在大部分情况下，GLAT在四个数据集上具有最低的错误率，不管是短期还是长期预测．这进一步证明了GLAT在预测重要链路的方面仍然表现十分出色．此外，比较表2和表3的结果，发现前10%重要链路上的错误率要远小于所有链路上的错误率率．这表明，GLAT在那些重要的链路上比不重要的链路的预测性能更加优异．