《表2 不同模型在两个数据集上的AUC分数》

  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

《基于时序图的作战指挥行为知识表示学习方法》

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

实验结果如表2所示。在亚马逊电子产品数据集上，本文提出的指挥行为嵌入模型性能相比基线模型略有提升但差别不大，ROC-AUC分数仅比表现最好metapath2vec模型高了0.8%。其主要原因在于，亚马逊电子产品数据集实体属性类型与联合作战指挥行为数据集实体属性类型一致，本文提出的时序作战指挥行为嵌入模型优势没有充分体现。值得注意的是，4种基线图嵌入模型算法大部分在想定场景联合态势数据集上的性能下降明显，其主要原因在于作战指挥行为数据集中的实体属性类型更为多样，关系类型更为复杂，且具有典型的时序特征。但对于LINE(2nd）而言模型性能略有提升，其主要原因在于联合作战指挥行为是遵循一定的联合作战指挥规律下达的，其前提在于联合作战指挥员对于当前态势的认知程度，以及可以支配的作战兵力资源，且不同作战指挥席位的作战指挥行为之间通常具有协同特点，使得某指挥席位的作战指挥行为之间具有传递效应，能够互相影响。