为了弄清性能增益的重要性,对结果进行t-test。从数据集中随机选取80%的结点,然后重复实验30次。
比较BPR、WPR和MPR,对于MPR,为每个数据集只选择一个模式,即DBLP和Epinion的M7和Ciao的M4。
报告每个数据集上top10、top50、top500的平均NDCGs。
此外,也报告了基准方法的p值,即BPR和WPR,与MPR比较。结果如表5所示。
从表5可以看出,在top10、top50、top500的NDCGs中,MPR在所有三个数据集中的表现都明显优于BPR和WPR。这与上一节的结果非常一致。并且,相应的p值表明MPR的性能增益具有统计学意义。
性能增益的显著性检验
最新推荐文章于 2024-07-22 15:15:45 发布