MPR的线性组合性能

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