SDNE怎么用precision@k

SDNE（Structural Deep Network Embedding）是一种用于将网络中的节点表示为低维向量的方法，这些向量可以用于在网络上执行各种任务，例如链接预测和社区发现。

Precision@k是用于评估链接预测模型的性能的指标之一。它衡量模型预测的前k个链接中有多少是正确的。更具体地说，对于给定的一个节点，模型预测的前k个邻居中有多少是真正的邻居。

要使用Precision@k来评估SDNE的性能，需要按照以下步骤操作：

1. 使用SDNE对网络中的节点进行嵌入，得到各个节点的低维向量表示。

2. 对于每个节点，找出其前k个最近的邻居（根据节点向量之间的距离来确定）。

3. 计算模型预测的前k个邻居中有多少是真正的邻居。

4. 将这个值除以k，得到模型的Precision@k。

5. 对于整个网络中的所有节点，计算平均Precision@k，作为模型的总体Precision@k。

希望这些信息对您有帮助！

相关问题

precision@k

precision@k是一种衡量推荐系统（或者搜索系统）的指标。它表示的是在前k个推荐（或者搜索结果）中，有多少个是正确的（也就是说用户会感兴趣的）。

具体来说，假设我们有一个推荐系统，它向用户推荐了k个物品。假设其中有p个物品是用户感兴趣的，那么precision@k=p/k。

例如，如果我们的推荐系统向用户推荐了10个物品，其中有7个是用户感兴趣的，那么precision@10=7/10=0.7。

通常，我们希望precision@k越高越好，因为这意味着推荐系统能够向用户提供更多有价值的信息。但是，precision@k也有一些局限性，因为它只考虑了前k个推荐，而忽略了后面的推荐。

图重建后的precision@k怎么计算？

计算图重建后的 precision@k，需要先确定 k 的值。然后，在重建的图中找出前 k 个节点，并计算在这些节点中有多少是原图中的节点。最后，将这个数除以 k，得到的就是 precision@k。

例如，假设我们想要计算图重建后的 precision@3。在重建的图中，前三个节点分别是 A、B、C，其中 A 和 C 是原图中的节点，而 B 是重建的节点。那么 precision@3 就是 (2/3)=0.67。

通常，我们使用 precision@k 来评估图重建的质量。较高的 precision@k 表明重建的图中较多的节点是原图中的节点，也就是说重建的图更接近原图。