《表2 动态链路预测性能AUC、GMAUC以及误差率》

  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

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．