《表1 两个数据集上各种算法在不同近邻个数下的平均绝对差》

  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

《基于模块度和标签传递的推荐算法》

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

本文把基于二部网络划分的标签传递社区挖掘推荐算法（CMBR）与其他4种算法的预测结果准确度和平均绝对差进行比较。这4个算法分别是基于双向关联规则项目评分预测的推荐算法（Collaborative Filtering recommendation algorithm based on item rating prediction using Bidirectional Association Rules，BAR-CF)[27]、基于项目评分预测的推荐算法（Collaborative Filtering recommendation algorithm based on Item Rating prediction，IR-CF)[28]、基于网络链接预测的用户偏好预测方法（user Preferences prediction method based on network Link Prediction，PLP)[29]和改进的基于用户的协同过滤的方法（Modified User-based Collaborative Filtering，MU-CF)[30]。从数据集中，观察到用户评论的条数的分布大部分集中在4～20，也就是说用户侧顶点的近邻个数集中在4～20。为了测试在各种近邻个数下不同算法的结果的平均绝对差，本文在实验中对4～20、间隔为4的不同近邻数进行测试。实验结果如表1所示。