推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

生成对抗网络核心原理.docx

更新时间:2026-08-16 14:17:25 大小:18K 上传用户:烟雨查看TA发布的资源 标签:生成对抗网络异构网络链接预测评价指标AUC 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

异构网络链接预测的评价指标

一、基础 ranking 评价指标

链接预测本质是排序任务,核心是衡量模型对真实存在边的排序是否高于不存在边,常用指标均基于排名结果计算:

1. AUCArea Under ROC Curve

AUC是异构网络链接预测最常用的基础指标,含义是随机抽取一条正样本(真实存在的边)和一条负样本(不存在的边),正样本得分高于负样本的概率。计算方式为:从所有正负样本对中统计正样本得分更高的次数占总次数的比例,公式为:其中 $n$ 是总的正负样本对数量,$n'$ 是正样本得分高于负样本的对数,$n''$ 是得分相等的对数。AUC取值范围为 $[0,1]$,值越接近1说明模型整体预测能力越好,0.5代表模型预测效果和随机猜测相当。该指标的优势是不受正负样本不平衡影响,适合异构网络中边数量稀疏的场景,是目前绝大多数研究的默认报告指标。

2. Precision(精确率)& Recall(召回率)

对于预测得到的Top-$K$ 候选边中,Precision衡量预测正确的边占所有Top-$K$预测边的比例:$Precision@K = \frac{TP}{TP+FP}$,其中 $TP$ 是预测正确的正样本数,$FP$ 是预测错误的负样本数。Recall衡量预测正确的边占所有真实正样本的比例:$Recall@K = \frac{TP}{TP+FN}$,其中 $FN$ 是被漏预测的真实正样本数。异构网络通常会报告Precision@KRecall@KK一般取1050100等固定值,衡量模型在推荐排名靠前的候选边时的表现,更贴合实际应用场景(比如推荐topN可能的合作关系)。


部分文件列表

文件名 大小
生成对抗网络核心原理.docx 18K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单
  • 21下载积分 打赏65.00元   3天前

    用户:xzxbybd

  • 21下载积分 打赏60.00元   3天前

    用户:jh0355

  • 21下载积分 打赏60.00元   3天前

    用户:w178191520

  • 21下载积分 打赏20.00元   3天前

    用户:jh03551

  • 21下载积分 打赏20.00元   3天前

    用户:sun2152

  • 21下载积分 打赏20.00元   3天前

    用户:kk1957135547

  • 21下载积分 打赏25.00元   3天前

    用户:w1966891335

  • 21下载积分 打赏20.00元   3天前

    用户:xuzhen1

  • 21下载积分 打赏15.00元   3天前

    用户:x15580286248

  • 21下载积分 打赏25.00元   3天前

    用户:pcb

  • 21下载积分 打赏20.00元   3天前

    用户:bhacker

  • 21下载积分 打赏15.00元   3天前

    用户:liqiang9090

  • 21下载积分 打赏25.00元   3天前

    用户:有理想666

  • 21下载积分 打赏15.00元   3天前

    用户:godbox

  • 21下载积分 打赏15.00元   3天前

    用户:aetek

  • 21下载积分 打赏5.00元   3天前

    用户:mulanhk

  • 21下载积分 打赏5.00元   3天前

    用户:JuneLin61

  • 21下载积分 打赏5.00元   3天前

    用户:ccc6188

  • 21下载积分 打赏5.00元   3天前

    用户:木集盒

推荐下载