SDNE怎么用precision@k
时间: 2023-02-06 20:08:44 浏览: 47
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。