《表2 动态链路预测性能AUC、GMAUC以及误差率》
由于网络的演化模式可能随着时间而改变,选择前20个测试样本和全部80个样本的三个性能指标的平均值来反应预测模型的短期和长期预测性能.结果如表2所示,无论是密集还是稀疏的网络,GLAT模型的短期和长期预测能力几乎在所有情况下都优于其他方法.由于CN、node2vec和LINE方法的效果一般,表明这些为静态网络设计的方法并不适用于动态链路预测.相反,TNE和GLAT由于其捕捉动态特性的能力,在动态链路预测中获得更好的性能.相比之下,GLAT模型在大多数情况下比TNE表现更好,特别是在能体现添加和删除连边的动态链路预测性能的GMAUC指标上.
图表编号 | XD00212224300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 陈晋音、徐轩桁、吴洋洋、陈一贤、郑海斌 |
绘制单位 | 浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江工业大学信息工程学院、浙江工业大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |