根据公式3-4，参数β用于调整用户的互动程度及相似度在信任强度计算中的平衡，β值越大，代表用户的互动程度在信任强度计算中占的比重越大，反之，则代表用户的相似度在信任强度计算中占的比重更大。为此，我们对β值进行测试，将其值从0.05变换至1，步长为0.05，搜索路径深度设置为6，分别对源用户的1-4跳距离朋友进行Pre预测，以找出信任预测的最优效果。图3-7为TMBA模型在不同β值下的Pre效果。
通过对图3-7的分析，我们可以得到以下结论。
1.MBA模型对源节点的1-4跳的朋友关系预测精确度都在0.83以上，距离源节点越近的朋友关系，预测结果越准确。
2.Pre1的预测效果最好，总体精度接近于1。这是因为虽然我们随机去除了一些朋友信任关系，但在重建信任网络时，我们的搜索路径为6，距离源节点越近，隐含的朋友关系被再次搜索到的概率越大。
3.β值为0.4左右的时候，TMBA模型的预测效果达到最优，虽然Pre3在β值等于0.45的时候，效果最好，但优势并不明显；而Pre2和Pre4都是在β值为0.4时效果最好。
图3-7 不同β值下的Pre(www.xing528.com)
因此，可以得到结论，只考虑互动次数或只考虑节点的相似度，都无法得到最优预测结果。只有同时考虑二者才可以使预测效果达到最优，并且，相似度关系在预测效果中比互动次数的作用要大。表3-3为不同β值下TMBA模型运行结果的MsR。
表3-3 不同β值下的MsR
从表3-3也可以看出，TMBA模型的总体漏检率在11%以下，当β值为0.4时，效果最优，达到8.92%，这与图3-7的运行结果是一致的。
表3-4为不同β值下TMBA模型所预测的1-4跳朋友信任关系Trr，表格最下一行是β=0.4时的真实Trr。从表3-4可以看出，β=0.4时的排序效果总体最优。但与真实的Trr相比，仍然存在一定的偏差，这是因为在删除了一定的朋友关系后，对隐含朋友的关系预测需要跨越更长的搜索距离，其信任关系的计算受到了影响，造成了Trr值的下降。
表3-4 不同β值下的Trr
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
