修飾鄰接關係在有向二元網路上的影響

延續前一節所使用的做法對有向二元網路標竿模型進行量測，以 LFR 系列 6 至系列 8 網路為樣本測量，實驗結果如圖 4-5 到 4-9 所示。由實驗 結果可看出，F-FMSm 與 P-FMSm 之方法比起原始作法在方向型網路上依 然有較佳的表現，惟 P-FMSm 修飾在此部分中所帶來的成效極小，某些部 分表現也開始低於原始作法，因此圖表輸出之折線圖結果與原始作法相貼 近，而共同好友及修飾之方法最高增益量則較高，如圖 4-9 所示，在標竿 模型參數μ為 7 時，P-FMSm 增益量小於-1%，而 F-FMSm 增益量則高達 16%。由實驗結果顯示，本研究所提出之 F-FMSm 在有向二元網路的部分 樣本中能提升 FMSm 演算法分群效能。

62

圖 4-6 提出作法與原始做法在 LFR 標竿模型系列 5 上的比較

圖 4-7 提出作法與原始做法在 LFR 標竿模型系列 6 上的比較

63

圖 4-8 提出作法與原始做法在 LFR 標竿模型系列 7 上的比較

圖 4-9 提出作法與原始做法在 LFR 標竿模型系列 8 上的比較

64

4.2.3 綜合結果比較

綜合上述實驗結果之比較，可發現 F-FMSm 與 P-FMSm 在大部分樣本 中表現皆優於原始作法，顯示修飾鄰接關係之作法能確實提升原始 FMSm 演算法的分群成效，而所提出之作法表現皆以 F-FMSm 表現優於 PageRank。

值得一提的是，在無向型樣本與方向型樣本的表現中，本研究所提出之方 M-two-phase、MLCD，與 GA 做比較，所使用之演算法量測 NMI 值與 Q

65

值取自文獻[17]。以標竿模型為樣本進行量測比較結果如圖 4-10 至 4-13 所示。

圖 4-10 與 4-11 為 F-FMSm 與過去非基於 GA 類型之演算法在 GN 標 竿模型與 LFA 系列 2 模型的比較，經圖表比對顯示，由於 FMSm 作法分 群之整體表現皆優於其他類型之演算法，而本研究改良之 F-FMSm 方法能 更近一步提升原始做法之水準。而圖 4-12 與 4-13 為本研究提出之方法與 基於 GA 與其他分群演算法所結合之方法，在分群成效上，F-FMSm 僅能 較原始做法稍微接近該類型演算法的分群成效，而無法超越這三樣演算法 的分群。然而，基於 GA 所發展的演算法往往需要多次重覆量測分群結果 進行下一次的演化，在時間上需要耗費大量的時間，與此相較，本研究所 提出之方法則是基於單次測量以得出結果，故在運算需時上，本研究提出 之改良方法與 FMSm 演算法結合仍占有優勢。

圖 4-10 所提出做法與 FM、Infomap、LPAm、two-phase、BGLL 演算法在 GN 標竿模型上的比較

66

圖 4-11 所提出做法與 GA、M-LPAm、M-twophase、MLCD 演算法在 GN 標竿模型上的比較

圖 4-12 所提出做法與 FM、Infomap、LPAm、two-phase、BGLL 演算法在 LFR 標竿模型上的比較

67

圖 4-13 所提出做法與 GA、M-LPAm、M-towphase、MLCD 演算法在 LFR 標竿模型上的比較