链路预测中评估指标的区分能力比较
社会与信息网络
2024-01-09 v1 数据分析、统计与概率
摘要
链路预测旨在基于已知的拓扑特征预测网络中两个未连接节点之间潜在存在的链路。评估指标用于衡量链路预测中算法的有效性。这些评估指标的区分能力对于准确评估链路预测算法至关重要。在本研究中，我们提出了一种人工网络模型，基于该模型可以通过调整单一参数来单调且连续地改变特定设计的链路预测算法的预测准确率。在此基础之上，我们通过聚焦于评估指标的区分能力，展示了一个描绘其评估有效性的框架。具体而言，我们对九种评估指标在正确辨别不同预测准确率方面的能力进行了定量比较，包括 Precision、Recall、F1-Measure、Matthews Correlation Coefficient (MCC)、Balanced Precision (BP)、受试者工作特征曲线下面积 (AUC)、精确率-召回率曲线下面积 (AUPR)、归一化折损累计增益 (NDCG) 以及放大 ROC 曲线下面积 (AUC-mROC)。结果表明，AUC、AUPR 和 NDCG 这三种指标的区分能力显著高于其他指标。
引用
@article{arxiv.2401.03673,
title = {Comparing discriminating abilities of evaluation metrics in link prediction},
author = {Xinshan Jiao and Shuyan Wan and Qian Liu and Yilin Bi and Yan-Li Lee and En Xu and Dong Hao and Tao Zhou},
journal= {arXiv preprint arXiv:2401.03673},
year = {2024}
}