《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》
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。
图表编号 | XD0055812600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.24 |
作者 | 余传明、林奥琛、钟韵辞、安璐 |
绘制单位 | 中南财经政法大学信息与安全工程学院、中南财经政法大学信息与安全工程学院、中南财经政法大学信息与安全工程学院、武汉大学信息管理学院 |
更多格式 | 高清、无水印(增值服务) |