《表4\n\t\t\t\t\t\t链路预测实验结果》

  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

《社交属性网下基于链路预测及节点度的推荐算法》

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

为了探究在奖励和惩罚条件改进算法的特征，本文将共同邻居节点的度作为奖励项的算法和作为惩罚项的算法进行综合分析和比较。本文分别总结出（a）-（d）中最优的改进算法，并将四个算法综合对比分析发现，如图5所示在共同节点的度作为奖励项的改进算法中，只考虑共同邻居节点是用户节点时的改进算法表现最优，同时用户节点的两种计算方法对算法的表现影响不大。这说明节点度越大的用户节点对于两端用户产生链接的影响越大。本文认为出现这一结果的原因是作为节点度较大的用户共同邻居，在网络中作为比较重要的角色对网络链接的生成起到比较重要的作用。一个节点度较大的用户的两端用户节点之间很可能会受到人际之间的影响力而产生链接。在对比表4中（e）-（h）中各算法的AUC表现时，如图6所示在共同邻居节点的度作为惩罚项的改进算法中，总结出算法在只考虑共同邻居节点是属性节点时的改进算法表现最优。说明对于节点度越大的属性节点，对于两端用户之间链接产生的影响越小。本文认为出现这一结果的原因是更稀有的属性对两端用户产生链接作用更大，而越普遍的属性影响力越小。比如，Summer和Amy具有喜欢游泳这一属性，但是包括她们在内的非常多的人都具有女性这一属性。在将共同邻居节点的度作为奖励项和惩罚项中，对于同时考虑用户节点和属性节点的改进算法表现主要原因可能是用户节点度的影响和属性节点度的影响相互抵消从而降低了改进算法的表现。在总结和分析了奖励和惩罚处理下不同改进算法的表现后，本文认为对于共同邻居节点是用户节点时，对其节点度进行奖励处理，将提升预测算法的性能，同时对于共同邻居节点是属性节点时，对其节点度进行惩罚处理，将提升预测算法的性能。