《表4 模型效果对比：基于网络表示学习的科研合作推荐研究》

  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

《基于网络表示学习的科研合作推荐研究》

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

将2000—2013年的数据作为训练集，2014年的数据作为测试集，分别测试两类模型的效果。图2a和图2b分别显示了两类模型在2000—2013年的数据上训练的结果。由图2可以看出，node2vec算法在AUC上的表现略高于DeepWalk算法，而在MAP的表现上，两种模型效果接近；LINE算法在AUC上的表现明显优于SDNE算法，但在MAP表现上，SDNE算法却优于LINE算法，这在一定程度上说明不同模型学习的特征侧重点不同可能会导致其预测结果的准确率和排名质量不同，基于不同类型的模型进行融合可能会同时提高预测准确率和排名质量。因此，本文对两类模型进行排列组合，按照AUC值达到最大时的融合比例融合两类模型输出的向量，再将新的顶点向量进行二元运算得到边向量，将其作为边的特征，进行逻辑回归模型的训练，并使用训练得到的模型在测试集上检验。表4显示了四种基线方法和融合模型的效果对比。