《表3 micro F1测试结果》

  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

《基于图划分抽样算法的图表示学习》

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

Graph Sage以及Block Sage算法使用相同的数据集作为输入，其中两算法的共同参数都保持一致。经过无监督的图表示学习之后，得到图中每个节点的embedding向量。将结果保存到文件中，在此基础上进行下游的机器学习任务。下游的机器学习任务Graph Sage和Block Sage使用的算法完全一样。因为两种算法的输出都一样，所以测试算法不需要作任何修改。首先使用线性多分类器进行无监督的学习，若干轮次之后，将算法应用到测试数据上进行测试。本文测试中，对于测试节点和训练节点的选择，Graph Sage和Block Sage算法也都完全一样。测试效果使用micro F1数值进行衡量。其中Block Sage算法在两个数据集上的划分大小均使用9，缓存池大小最大缓存块数为6，最后得到测试数据如表3所示。