用线性和非线性组合的方法运行MPR,分别根据下面两个等式,报告通过调整参数α对结果的影响。
表4是采用线性组合法报告了3结点模式MPR性能的结果。
从表4可以看出MPR的性能优于所有基准方法。
观察发现,每个数据集的最佳性能是通过不同类型的模式来实现的,这意味着模式的有效性是特定领域的。
首先:当K=10时,可以看到BPR在DBLP和Epinions上的NDCGs大于0.94,这在实际中是很强的。而MPR的简单或锚模式仍然可以进一步改进NDCGs。MPR在DBLP上从0.9464提高到0.9920,在Epinions上从0.9777提高到0.9957。在Ciao上,性能增益甚至更大,从0.8332提高到0.9905。锚模式的性能增益非常相似,DBLP从0.9464提高到0.9934,Epinions从0.9777提高到0.9935,Ciao从0.8332提高到0.9907。
其次:当比较所有模式在三个数据集上的性能时,可以观察到相较于在DBLP和Epinions数据集,在Ciao数据集上,有更多的模式优于所有基准,尤其是,7个