Page 239 - 《软件学报》2020年第11期

3554 Journal of Software 软件学报 Vol.31, No.11, November 2020

基于统计和基于结构的方法.

0.8
0.4
0.6

F1 值 0.4 F1 值 0.2
0.2 EPP EPP
Statistic 0.0 Statistic
0.0 Structure-Based Structure-Based
0 2000 4000 6000 8000 10000 12000 14000 0 2000 4000 6000 8000 10000 12000 14000
已收集对象数 已收集对象数
(a) 微博 (b) LFR

Fig.11 F1 values of different methods for data updating
图 11 不同数据更新方法的 F1 值
为了测试 EPP 算法中参数对数据更新效果的影响,本文比较了微博和 LFR 数据集上不同窗口因子(α)和融
合比率(β)时的 F1 值.为了便于观察,我们对测试结果进行归一化,分别如图 12 和图 13 所示.

1.0 1.0
α=0.2 α=0.2
0.8 α=0.4 0.8 α=0.4
α=0.6
α=0.6
归一化的F1 值 0.6 α=0.8 归一化的F1 值 0.6 α=0.8
0.4
0.4
0.2
0.0 0.2
0.0
0 2000 4000 6000 8000 10000 12000 14000 0 2000 4000 6000 8000 10000 12000 14000
已收集对象数 已收集对象数
(a) 微博 (b) LFR
Fig.12 Normalized F1 value with different window factors
图 12 不同窗口因子下归一化的 F1 值

1.0 1.0
β=0.2 β=0.2
0.8 β=0.4 0.8 β=0.4
β=0.6
归一化的F1 值 0.6 β=0.8 归一化的F1 值 0.6 β=0.8
β=0.6
0.4
0.4
0.2
0.0 0.2
0.0
0 2000 4000 6000 8000 10000 12000 14000 0 2000 4000 6000 8000 10000 12000 14000
已收集对象数 已收集对象数
(a) 微博 (b) LFR
Fig.13 Normalized F1 value with different fusion ratios
图 13 不同融合比率下归一化的 F1 值

在微博和 LRF 数据集上,α分别为 0.2 和 0.4 时 EPP 算法取得最好的效果.在微博上,β为 0.2 时算法效果最
好.而 LFR 数据集上,β为 0.2,0.4 和 0.6 的情况较为接近:访问对象小于 8 000 时,β为 0.2 最好;大于 8 000 时,β为