面向真实网络的链接预测评估指标可辨识性量化

链接预测是网络科学中最富有成果的分支之一，旨在预测尚未观察到的可能存在的链接，或网络演化期间将出现的链接。近二十年来，链接预测领域积累了大量研究，涵盖大量算法和多种应用。对于任何算法，都需要一个或多个评估指标来评估其性能。由于使用不同的评估指标会提供对算法性能的不同评估，如何选择合适的评估指标是链接预测中的一个根本问题。为此，我们提出了一种新措施，对给定真实网络和算法的任何评估指标的可辨识性进行量化。基于 131 个真实网络和 20 个代表性算法，我们系统比较了八种评估指标的可辨识性，并表明 H-measure 和受试者工作曲线下面积 (AUC) 在可辨识性方面表现最强，随后是归一化折扣累计收益 (NDCG)。我们的发现对不同领域的网络和不同类型的算法都具有鲁健性。这一研究为评估指标的选择提供了见解，可能进一步促进链接预测算法评估过程的标准化。