文摘

投资者对公司的建议是一个至关重要的和具有挑战性的任务,它可以帮助公司定位合适的投资者,提高获取投资的可能性。虽然一些努力为投资者建议,其中的一些探索影响初创企业的特性,包括合作伙伴、轮和领域,投资者推荐性能。沿着这条线,在这篇文章中,异构信息网络的帮助下,我们提出一个特性的测量方法的贡献创业投资者建议,FECOM命名。特别地,我们构建风险资本异构信息网络。然后,我们定义六个风险资本metapaths代表我们专注于创业的特点。通过这种方式,我们可以测量的贡献公司对投资者的特点推荐任务验证基于不同metapaths推荐性能。最后,我们提取四个实用规则协助进一步投资任务通过使用我们的提议FECOM方法。

1。介绍

风险投资(VC)是创业的一个重要的资金来源1]。在初创企业的可持续发展起着关键作用和性能(2和经济的创新3]。投资公司为初创企业提供财政支持。除此之外,他们为初创企业提供必要的经验和知识的发展。然而,创业公司和投资公司之间存在着信息不对称,这是具有挑战性的创业公司寻找合适的投资者,特别是没有以前的创业投资者之前(4]。金融是不可分割的一部分,创业的过程,然而获得它是具有挑战性的5]。出于这个原因,一个investor-filtering系统对于创业公司来说可以是非常有益的4]。因此,实现信息过滤,然后推荐合适的投资者对公司能满足他们的个性化金融需求通过使用推荐技术已经成为一个关键的问题需要解决在风险投资领域。

在风险投资领域,广泛推荐的研究主要侧重于帮助VC公司找到合适的初创公司(1,6- - - - - -8),而支持创业的有效方法,在寻找投资者比较少见。徐et al。4)实现投资者建议通过构建一个包含三方网络表示虚拟链接。安东尼奥et al。9)指出,找到一个合适的投资者是对创业感兴趣的领域通常需要长期的研究,为新创业公司尤其困难。此外,推荐合适的投资者对创业感兴趣的特性也是挑战由于他们缺乏经验。然而,随着新创业公司没有投资之前,他们可以利用的资源是有限的。他们没有以前的投资者被开采,初创公司的特点是有限的可用资源为他们寻找合适的投资者。沿着这条线,我们尝试采用创业的特性来研究投资者推荐问题,通过测量创业公司的贡献对投资者推荐性能特性。我们关心的特性本文包括合作伙伴,轮和领域。创业的一个示例如表所示1,启动Ziroom Bitmain有相同的圆,启动Vxiaoke天使投资,和前两个公司有相同的投资者,而第三次创业的投资者不同于他们。因此,我们认为圆的特点可能影响投资者的决策。,可能会有各种不同的创业公司对投资者的影响的特性。为此,如何衡量的贡献公司对投资者的特点推荐创业的性能是一项重要的任务。在本文中,我们的目标是解决创业的特性贡献测量问题。

为探索影响创业的投资者推荐任务特性,有两个需要解决的挑战。(1)如何代表投资者推荐任务相关的特性?(2)如何推荐投资者创业的基础上,集中的特征吗?值得注意的是,VC网络是一个典型的异构信息网络(HIN),它包含多个类型的节点和多个节点之间的边。有丰富的结构信息和语义信息VC网络,它提供了我们有机会根据欣应对这两个挑战。

欣已成功应用于推荐系统(10]。因此,在本文中,我们提出一个特性的测量方法的贡献创业投资者推荐命名FECOM,基于欣。本文的目的是探讨创业的影响对投资者推荐任务的特性和提取规则协助进一步投资任务。具体来说,我们将各种类型的风险数据集成到形式的欣,风险资本的异构信息网络(VC-HIN)可以构造。然后,风险资本metapaths (VC-metapaths)定义为表示我们关注的新创企业的特点。在此基础上,我们建议FECOM方法,开展投资者利用不同VC-metapaths推荐任务。通过这种方式,我们可以测量的贡献公司的功能根据不同VC-metapaths投资者推荐任务,并提取有益的规则来帮助进一步投资任务,通过分析推荐性能。

本文的主要贡献可以概括如下:(1)我们定义了风险资本异构信息网络(VC-HIN)的结构信息包含在VC网络可以表达。(2)我们制定了风险资本metapaths (VC-metapaths)代表投资者推荐任务相关的特性,和VC中包含的语义信息网络可以表示。(3)我们提出一个特性测量方法的贡献的创业投资者推荐FECOM命名。的基础上,我们可以分析投资者推荐的创业公司的功能验证基于不同metapaths推荐性能。(4)我们提取四个实用规则利用该FECOM方法,有利于进一步的投资任务。

本文的结构如下。节2介绍相关工作。节3,我们提出两个定义提出FECOM, FECOM的基础。节4,我们提供的框架和细节提出FECOM。节5,我们探索创业的特性对投资者的建议和提取四个实用规则协助通过实验进一步投资任务。节6,我们的结论。

2。相关工作

在本节中,我们简要回顾相关工作VC, VC建议,欣。

近年来,相关研究领域的风险投资持续增长。Chircop et al。11]研究了宗教信仰对风险决策的影响。·安德鲁和Groh12)建立了一个创业公司的投资者选择模型,发现创业公司会选择投资者基于投资者的质量等因素的支持。田et al。13)证实了投资者之间的地理距离之间的非线性关系,通过研究创业和创业公司的性能。程和唐14]研究进行投资伙伴选择策略的影响,创业的行业,和地理上的不确定性风险。吴et al。15]研究了网络结构对风险的影响联盟的成功退出新兴市场。Zhang et al。16)使用多层网络分析模拟的传播风险在风险投资市场外部冲击影响投资公司或创业。罗[17)提出了对策对公司的财务风险预测的投资股票溢价。Salamzadeh和Kesim5]试图概念化现象“启动”,意识到他们可能面临的挑战。安东尼奥et al。9)检查之间的关系的存在风险资本和创业企业的成长。

然而,至于VC建议,很少有研究关注。石等。1]证明了协同过滤推荐技术的有效性在新的应用领域的金融和投资机会的推荐质量改善。赵et al。6)提出了投资组合优化框架来解决在VC信息过滤的问题,可以预测投资公司的新投资。吴et al。7)应用领域的个性化推荐技术风险投资建议完成风险投资项目的建议。徐et al。4)结合聚合氯化铝扩散算法,开发投资者建议通过构建一个包含三方网络表示虚拟链接。VC的现有推荐的研究领域主要集中在风险投资创业的建议,很少研究的建议投资者根据创业的需要。然而,由于投资者和企业之间的信息不对称,融资过程通常是具有挑战性的,特别是对于初创公司之前尚未投资(4]。初创公司没有投资的特点是有限的可用资源为他们寻找合适的投资者,我们试图利用特性和测量创业公司的贡献对投资者推荐性能特性,然后提取有益的规则来帮助进一步投资建议的问题通过分析推荐性能。

作为一个新兴方向,欣已经吸引了许多学者的关注。欣含有丰富的结构和语义信息(18]。建议基于欣可以自然地模拟中包含丰富的信息网络,然后实现个性化推荐。节点相似性度量,从HIN-based推荐信息提取的关键部分,已被广泛研究。Haveliwala [19)提出了个性化网页排名算法(恶作剧推荐),衡量节点之间的相似性通过节点之间随机行走;Jeh和Widom教授20.提出SimRank算法,计算节点之间的相似度通过他们的邻居的相似性。然而,恶作剧和SimRank忽略HIN中包含的语义信息。除了这些算法,有很多HIN-based推荐技术考虑metapath-based相似(21]。太阳et al。18)提出了基于对称metapaths PathSim算法实现相同类型的节点之间的相似性度量网络;老挝和科恩22)提出了PCRW算法来衡量网络中不同类型的节点之间的相似性通过一个随机游走模型与路径约束;施等。23]提出了基于任意metapath HeteSim算法,它可以测量任何类型的网络中节点之间的相似性。上述三种算法都使用metapath-based相似性测量节点的相似性网络语义信息,但他们不考虑网络结构信息。上面所有的相似性测量技术有一定的局限性,因为他们没有考虑结构或者语义信息的同时欣。李等人。24)提出了PathRank算法计算节点之间的相似性通过使用单向随机游走模型。它实现了测量节点的相似性的基础上充分提取欣的结构和语义信息。与上述节点相似性测量方法相比,PathRank算法可以利用VC中包含丰富的信息网络。此外,我们将计算分数的投资者建议PathRank算法的基础上,在以下部分中通过考虑丰富的结构信息和语义信息在VC网络。

在上面的现有文献的研究,较少关注学者一直致力于创业的影响的评估功能投资者推荐任务。出于这些观察结果,我们提出一个特性测量方法的贡献的创业投资者推荐FECOM命名。根据拟议中的FECOM,实用的规则可以获得支持的投资任务通过评估基于不同metapaths推荐性能。

3所示。预赛

在本节中,我们提出两个定义提出FECOM方法,即异构信息网络(VC-HIN)风险资本和风险资本metapaths (VC-metapaths)在VC网络模型的基础。具体来说,VC-metapaths可以为投资者提供各种语义信息推荐任务。

定义1。风险资本异构信息网络(VC-HIN)。
风险资本异构信息网络(VC-HIN)被定义为一个加权异构信息网络构建基于风险投资数据,包括不同类型的节点和加权边缘。具体来说,VC-HIN表示 ,在哪里 包含五种节点的节点集,即C公司,P公司的合作伙伴,R投资,F场,我投资者,指的是边缘设置包括14种边缘类型在不同的节点之间,指示和揭示了相应的节点之间的关系。至于VC-HIN边的权重,我们定义不同的重量计算方法不同的边缘。之间的边缘我和C,其重量的总次数的投资者用来投资创业。之间的边缘我和P重量的次数,投资者投资于公司建造的P。同样,之间的边缘我和R,其重量的次数的投资者投资于企业R。边缘之间的重量我和F的次数是投资者投资公司F。特别是,边的权值C和P,R,F被定义为1。
VC-HIN如图的一个例子1。公司有两个节点C1,C2,两个投资者节点我1,我2,两个公司的合作伙伴节点P1,P2,两个圆的节点R1,R2,一个字段节点F1。线表示节点之间的边,粗线表示权重较大的边缘。例如,之间的界限我2,F1之间的比这更厚我1,F1,这表明边缘连接的重量我2,F1大于边缘连接我1,F1。它证明了投资者我2投资更多的公司在这个领域F比我1。同样,边缘连接的重量我1,C1大于边缘连接我2,C1,揭示该公司C1是投资的投资者我1多我2。此外,不同节点之间的边是导演并显示相应的节点之间的关系,和边缘有两种方向””和“ 。“例如,边缘表明该公司C1是投资的投资者我1。的边缘意味着投资者我1公司的投资C1。

定义2。风险资本metapaths (VC-metapaths)。
风险资本metapaths (VC-metapaths) VC-HIN定义专门研究了投资者推荐任务。我们首先制定风险资本异构信息网络模式 如图2节点类型映射函数 和边缘类型映射功能 ,在哪里代表了节点类型和设置代表边缘类型集。基于 ,我们定义VC-metapaths,代表VC-HIN复合不同节点之间的关系。VC-metapath可以表示为 ,每个元素在集合在哪里 代表网络中的一个节点,在集合的元素 在VC-HIN代表一个优势。我们应该推荐适合创业的投资者;因此,VC-metapath中的第一个节点是固定节点作为一个公司,最后一个节点必须是一个投资者的节点。如图2,有五种节点类型的集合和14种类型包括边缘方向 。
当我们关注目标公司的贡献的投资者推荐任务特性,常用的功能包括创业的合作伙伴,轮,和字段。如表所示2,我们制定6个VC-metapaths基于这三种类型的创业公司的特性。metapath越长,相应的模糊语义信息和相似性度量的可靠性就越低18]。因此,我们定义在VC-metapaths不会超过四个节点。六个VC-metapaths不能仅仅利用语义信息在不同类型的节点和边VC-HIN也模拟几种经典的推荐方法,如协同过滤推荐和基于内容的过滤。表2列出了六个VC-metapaths,语义分析的结论,和类似的方法。例如,VC-metapath CPI可以挖掘背后的语义信息公司的合作伙伴和边缘连接P和我包含在metapath中。这metapath建议投资者投资于目标公司的合作伙伴,这是类似于基于内容推荐的范式。
图3展示了六个VC-metapaths,边缘中包含metapath由实线表示。CPI和以上CPCI图所示3(一个),CPI包含边缘连接C和P和边缘连接P和我,而以上CPCI由边缘链接C和P和边缘连接C和我。metapath中国国际广播电台和CRCI图3 (b),边缘连接C和R和边缘连接R和我中国国际广播电台,和CRCI由边缘连接C和R和边缘连接C和我。同样,CFI和CFCI图所示3 (c)CFI由边缘连接C和F和边缘连接F和我,而CFCI由边缘链接C和F和边缘连接C和我。
基于上述基本概念,提出了FECOM可以考虑VC-HIN中包含结构信息和语义信息中包含多个VC-metapaths同时,这将完全我的VC中包含丰富的信息网络,能够探索的影响初创企业投资者推荐任务的功能。FECOM细节将在下一节介绍。

4所示。FECOM方法

在本节中,我们首先提供的总体框架提出FECOM方法,然后说明细节。

4.1。概述FECOM

在本节中,我们介绍FECOM框架。

拟议的框架FECOM图所示4,由两个主要组件:(1)构建层。我们构建的VC-HIN和指定VC-metapaths VC-HIN首先在这一层。根据VC VC-HIN建立提前收集的数据,这是类似于图1;然而,它是更大、更复杂的比图1。VC-metapaths设计根据信息挖掘;本文从目标公司之前没有投资者,合作伙伴,可以利用轮,和字段实现投资者的建议。如表所示2和图3,VC-metapaths本文设计。在此,我们给两种过渡矩阵,VC-HIN过渡矩阵和VC-metapath转移矩阵 ,为每个VC-metapath 。因为有六个metapaths表2,是一个整数小于或等于6。VC-HIN过渡矩阵从VC-HIN提取,可以表达VC-HIN的结构信息。同样,VC-metapath过渡矩阵计算基于VC-metapath,说明metapath中包含的语义信息。(2)推荐层。这一层需要VC-HIN转移矩阵和VC-metapath转移矩阵作为输入,并对投资者的建议。层包含两个个性化推荐投资者推荐策略,基于单一metapath和混合metapath。投资者的建议混合metapath来自单一metapaths推荐的结果不同。如推荐层所示,VC-HIN过渡矩阵和VC-metapaths的过渡矩阵 , ,和在构建层。接下来,我们利用VC-HIN过渡矩阵和VC-metapaths的过渡矩阵包含 , ,和在图4分别获得最佳投资者推荐集 , ,和基于单一metapaths , ,和 。VC-metapaths的过渡矩阵和选择更好的推荐效果生成混合metapath过渡矩阵的混合metapath在每一个metapath后比较推荐性能。最后,优化投资者推荐集可以获得基于VC-HIN过渡矩阵吗和混合metapath过渡矩阵 。通过评估性能的建议,我们可以分析的影响相应VC-metapath投资者推荐任务。

接下来,基于上述FECOM框架,构建的技术细节层和推荐层解读,分别。

4.2。构建层

在构建层,我们应该构建VC-HIN和设计基于VC的VC-metapaths首先之前收集的数据。接下来,我们计算VC-HIN过渡矩阵和VC-metapath转移矩阵基于邻接矩阵和边缘邻接矩阵 ,分别。因为有14边缘类型 , 是一个整数小于或等于14。

的邻接矩阵 ,它是表示为 矩阵,是VC-HIN中的所有节点的总数。的元素 的代表节点之间的边的权重和 。

基于邻接矩阵 ,VC-HIN过渡矩阵可以根据方程(计算1),这是一个 矩阵: 在哪里 的元素我th行和jth列 ,代表节点之间的过渡的可能性和节点 。

至于边缘邻接矩阵 ,这也是一个 矩阵,是一个边缘类型的边缘类型设置和是VC-HIN中的所有节点的总数。的元素 的揭示了边缘连接节点的重量和谁的边缘类型属于边缘类型 。

为metapath 节中提到的3,其转移矩阵正常化后可以计算边缘邻接矩阵 。规范化将表示为 ,这是定义如下: 在哪里 的元素我th行和jth列 ,显示节点之间的随机漫步的概率和节点 。

VC-metapath过渡矩阵也可以被表示为一个吗 矩阵,可以表示如下:

基本的想法是,metapath的转移矩阵可以通过乘以规范化边缘邻接矩阵中包含的所有边缘的metapath吗 。

在本节中,邻接矩阵的基础上和边缘邻接矩阵上面所提到的,我们介绍VC-HIN过渡矩阵的计算过程和VC-metapath转移矩阵 。从今以后,我们详细解读推荐层。

4.3。推荐层

为探索不同的创业公司的贡献对投资者推荐任务的功能 ,我们利用不同类型的metapaths开展投资者建议,分别在这一层。我们将解释如何获得投资者推荐设置为目标公司在单一metapath和混合metapath在这一节中。

4.3.1。基于单一Metapath投资者的建议

单一metapaths VC-metapaths定义基于异构信息网络风险资本模式,可在VC-HIN代表不同节点之间的复合关系。摘要单一metapath指六VC-metapaths表所示2和图3。投资者推荐基于单一metapath主要依赖于VC-metapaths之前提到的。我们可以获得投资者根据合作伙伴,推荐集轮和领域的创业公司。投资者推荐基于单一metapath如以上CPCI CRCI, CFCI可以模拟过程的协同过滤推荐。将地址为初创企业投资者推荐任务探索其功能包括合作伙伴的绩效,轮,和字段。此外,投资者推荐基于单一metapath如CPI、中国国际广播电台,CFI模拟基于内容的推荐。

FECOM利用VC-HIN过渡矩阵和VC-metapath转移矩阵计算分数的投资者基于PathRank [24]。如方程所示(4),我们首先输入VC-HIN转移矩阵和VC-metapath转移矩阵每个单一的metapath分别获得分数的所有投资者推荐。然后,投资者生成推荐集排序后的分数降序排列的投资者:

如方程所示(4),代表了分数设置所有投资者的建议,这是一个 向量。我们首先进行初始化,然后不断优化由方程(4)。当不再变化,这将是最优分数设置。 , ,和都是概率权重参数,表示为 重启向量和元素的当相应的节点是1是目标启动。

下,有几个概率权重参数方程(4),我们将获得不同的投资者建议集通过设置不同的参数值。后比较不同参数下每个metapath的性能配置,我们可以获得每个单一metapath的最佳性能。与此同时,投资者的最优推荐集可以生产。最后,选择几个单一metapaths更好的推荐效果生成metapath混合 。

我们意识到投资者推荐基于单一metapaths在这一节中。沿着这条线,投资者推荐基于混合metapath将提供。

4.3.2。基于混合Metapath投资者的建议

生成的混合metapath单一metapaths上面提到的。摘要混合metapath由几个单一metapaths结合良好的推荐性能,在混合metapath metapaths生成的数量不是固定的。我们选择单一metapaths基于他们的表现。投资者推荐基于混合metapath可以模拟混合推荐。它可以实现创业投资者推荐通过混合的各种功能,包括合作伙伴、圆和字段信息。例如,基于以上CPCI混合metapath和中国国际广播电台可以考虑创业的合作伙伴和轮在同一时间。

的生成过程混合metapath如图5。首先,我们可以获得VC-HIN过渡矩阵和VC-metapaths的过渡矩阵 , ,和为metapath , ,和从构建层。然后,投资者推荐集基于不同单一metapaths可以获得在不同参数配置。比较他们的表现后,我们可以知道每个metapath的最佳性能。如图5,投资者推荐集 , ,和是最佳的投资者建议集基于metapath吗 , ,和 。随着混合metapath由几个单一metapaths结合良好的推荐性能,我们比较推荐不同的投资者推荐集的有效性 , ,和通过评价指标。,VC-metapaths的过渡矩阵和将输入方程(5)生成混合metapath过渡矩阵 ,这源于PathRank [24),因为和执行比 :

如方程所示(5),代表了混合矩阵的混合metapath metapath过渡 ,这是一个 矩阵就像VC-metapath过渡矩阵 。 代表了VC-metapath metapath的转移矩阵 ,和metapath metapath的重量吗 。

在得到混合metapath过渡矩阵 ,我们将介绍基于混合metapath投资者的建议。首先,我们可以通过输入获得的分数集投资者VC-HIN过渡矩阵和混合metapath过渡矩阵在方程(4)。然后,优化投资者推荐组混合metapath可以收集后比较不同参数下的混合metapath的性能。

总之,在比较最优投资者基于不同单一metapaths和混合的推荐集metapath利用评价指标,优化投资者可以获得推荐设置。沿着这条线,我们可以知道每个VC-metapath的贡献在投资者推荐任务;在此基础上,将探索创业的影响特性。

5。实验

在本节中,我们首先评估FECOM的推荐性能在不同的单一metapaths并通过真正的VC混合metapath数据。沿着这条线,我们可以分析的有效性不同metapaths投资者推荐任务。

5.1。数据集

收集实验数据集http://www.itjuzi.com。我们删除投资与失踪事件字段,轮,和合作伙伴,将投资者投资小于三倍和相应的投资活动,以避免为投资者本身的问题,这让我们投资13573事件。如表所示34862,1328年有6816家公司投资者、合作伙伴,15轮,19个字段在实验数据集。

我们将数据集分为训练集和测试集的时间顺序。训练集的第一个80%的原始数据,和测试组需要其余的部分。除此之外,我们的目标是推荐投资者新的创业公司之前没有投资者之前;为此,只有投资1602事件以来,测试集。一些公司出现在多个投资事件,实际上有995年初创公司参与测试集。

5.2。评价指标

我们选择两个评价指标,排名分数(RS) [25)和AUC(接收机运营商曲线下面积)26),来评估我们的有效性提出FECOM投资者推荐任务。

5.2.1。排名得分(RS)

排名分数(RS)是一个重要的指标来衡量投资者的相对排名的推荐集。目标启动,相关投资者是指投资者的投资记录存在于测试集,和无关紧要的投资者是指投资者没有投资于目标公司在训练集。RS可以测量的相对排名相关投资者和测量之间的一致性程度,建议设置和实际投资者。RS越小,越精确的相对排名投资者推荐集。相反,RS越高,排名越不准确。因为很少有实际投资者为目标启动时,RS是更好的比精度评价指标和回忆4]。

如方程所示(6),代表投资者的数量为目标启动和排名代表投资者的排名排在推荐列表中。平均得分排名可以获得的所有创业公司的平均成绩排名:

5.2.2。AUC(接收机运营商曲线下面积)

AUC可以近似的概率相关投资者的效用高于无关紧要的投资者的效用。它可以测量的能力区分相关投资者不相关投资者推荐技术。为目标启动,AUC越高,能力越强的推荐技术区分相关投资者无关紧要的投资者来说,更好的推荐效果,启动更容易找到合适的投资者。相反,AUC越低,越困难的创业公司寻找合适的投资者。

如方程所示(7),目标启动,相关投资者和一个无关紧要的投资者是随机选择的,的次数意味着分数相关的投资者的得分大于无关紧要的投资者,代表了两个分数的次数是相等的,和代表创业公司的数量。意味着AUC可以得到平均的AUC创业公司:

5.3。推荐性能VC-Metapaths

我们评估投资者推荐基于单一metapath和混合metapath根据本节上述评价指标。

5.3.1。在单一Metapaths推荐性能

每个metapath定位最佳的推荐结果,我们设置多个概率参数 , ,和 ,在哪里范围从0到0.4,范围从0.6到1,范围从0到0.2,他们都是0.05的步长。具体地说,当和0,推荐效果差,这不是本文报道。RS的值,并根据每一个metapath AUC如表所示4和5。的值需要注意粗体。

如表所示4,在所有metapaths,当是0.2,是0.6,是0.2,推荐基于metapaths标准和CPI CPCI性能更好。最好的标准是0.211807 CPCI RS,而最好的RS CPI是0.213887。此外,投资者推荐基于metapath标准执行比CPCI metapath CPI。此外,当是0.35,是0.6,0.05,推荐基于metapaths CRCI, CRI, CFCI, CFI执行最好的。除了这个,推荐基于metapaths CFCI和CFI执行比metapaths CRCI和中国国际广播电台。

至于AUC结果见表5,当是0.15,是0.7,是0.15,投资者推荐基于metapath标准执行CPCI最好。此外,当是0.15,是0.7,是0.15,投资者推荐基于metapath CPI表现最佳。在所有metapaths,投资者建议基于两个比其他metapaths metapaths执行。与此同时,当是0.2,是0.6,是0.2,投资者的性能建议基于两个metapaths仍然是更好的。此外,投资者推荐基于metapath CPI执行比metapath以上CPCI。,投资者推荐基于metapaths CFCI和CFI执行比metapaths CRCI和中国国际广播电台。

总之,结果表明当是0.2,是0.6,是0.2,投资者推荐基于metapaths以上CPCI和CPI比其他metapaths表现更好。

5.3.2。在混合Metapath推荐性能

优化后投资者建议根据不同的单一metapaths上面所提到的,我们在人物情节的表现6和7。投资者根据metapath推荐标准和CPI CPCI执行比基于其他四个metapaths显然。因此,我们选择两个更好的单一metapaths以上CPCI和CPI。接下来,我们将选择最优参数配置和VC-metapaths标准和CPI CPCI生成混合metapath和投资者行为的建议。metapath重量参数单一metapath以上CPCI设置 ,CPI的metapath重量参数设置 ,和 。此外,在实验中,两个参数的步长是0.1。

实验结果的投资者建议混合metapath数据所示8和9。这表明投资者的RS和AUC推荐基于混合metapath随metapath重量参数。RS逐渐减少增加。与此同时,投资者的性能建议基于混合metapath越来越好。AUC相对稳定;然而,它通常是在上升。此外,投资者推荐基于混合metapath性能更好。当metapath重量参数是1,是0,RS和AUC表现最好的。这表明投资者推荐的性能基于单一metapath以上CPCI更好,而基于混合metapath结果。

5.4。分析VC-Metapaths

后评估投资者推荐的性能基于单一metapath和混合metapath,我们现在可以分析每个已定义的单一metapath影响投资者推荐任务,总结四个规则协助进一步投资任务。(1)创业的合作伙伴包含更精确的语义信息字段和轮创业投资者的建议。如表所示4和5,在所有VC-metapaths投资者推荐基于metapaths标准和CPI CPCI执行比其他metapaths。这表明metapaths标准和CPI CPCI意味着丰富的语义信息。相应地,合作伙伴参与两个metapaths包含更精确的语义信息字段和轮创业。因此,创业的合作伙伴可能是当建议投资者对于创业公司来说。例如,对于创业Ziroom表所示1,如果我们建议投资者根据其合作伙伴,或字段,其合作伙伴林熊和必要李比它的字段可能包含更多有用的语义信息房地产及其周围,我们可以通过挖掘它的合作伙伴获得良好的推荐性能。(2)创业的领域包括丰富的相关信息比轮投资者的建议。表4和5表明,推荐基于metapaths CFCI和CFI执行比metapaths CRCI和中国国际广播电台,这说明metapaths CFCI和CFI包括更丰富的信息比metapaths CRCI和中国国际广播电台。沿着这条线,领域的创业公司比轮包含更丰富的信息。因此,我们可以专注于自己领域的投资者推荐任务。同时,启动Ziroom表所示1的基础,如果我们建议投资者在其轮或字段,其房地产领域能够贡献更多的推荐比圆的一个任务,我们可以得到好的推荐效果利用领域。(3)公司用同样的合作伙伴作为目标启动可能更多的信息有助于投资者推荐任务,比它的合作伙伴。如表所示4,投资者推荐基于VC-metapath标准比投资者更有效的建议基于CPCI metapath CPI。结果表明,这将使有关投资者的相对排名在相应的投资者建议设置更准确的我当我们公司的合作伙伴目标启动,建议投资者为目标的启动。然而,当我们专注于创业的合作伙伴,推荐投资者为目标启动投资于目标公司的合作伙伴,有关投资者的相对排名的准确性会减少。因此,公司用同样的合作伙伴作为目标公司可能更多的信息有助于投资者推荐任务,比它的合作伙伴。例如,如果我们建议投资者对启动Ziroom表所示1基于它的合作伙伴,林熊和必要,我们可以首先关注公司与合作伙伴林熊和李必要然后推荐Ziroom投资者投资于这些公司。(4)它会导致糟糕的性能,当投资者建议同时进行的任务是利用公司的合作伙伴目标启动和目标公司的合作伙伴。实验结果如表所示4和5说明创业的合作伙伴是更重要的比其他的特性,比如字段和初创公司。如数据所示8和9,当metapath重量参数是1,是0,RS和AUC的投资者建议基于混合metapath表现最好。作为metapath重量参数是1,是0,这表明投资者推荐的性能基于单一metapath以上CPCI更好,而基于混合metapath结果。它显示了生成的混合metapath metapaths标准和CPI将使CPCI metapath中包含语义信息模糊,这将导致更糟糕的推荐性能。例如,如果我们建议投资者对启动Ziroom表所示1基于其合作伙伴林熊和必要,我们定义的投资者投资于公司投资者和第一种一样的合作伙伴和投资者感兴趣的合作伙伴作为第二种投资者,我们只能建议投资者Ziroom基于第一种投资者。此外,它将使推荐性能更糟糕的是如果我们建议投资者Ziroom的基础上,两种类型的投资者。

6。结论

我在这篇文章中,我们研究如何实用规则协助进一步投资任务,通过测量的影响,创业公司对投资者的特点推荐任务。沿着这条线,我们提出一个特性的测量方法的贡献创业投资者建议,FECOM命名。具体地说,我们首先构建六VC-metapaths VC-HIN和设计基于三个创业公司的特性,包括合作伙伴、轮和字段。然后,两种推荐策略中包含FECOM可以利用不同类型的VC-metapaths完成。为此,我们可以分析投资者推荐的创业公司的功能验证推荐性能和总结实际规则有利于进一步投资任务。最后,四个实用规则初创公司的投资任务特征提取是基于一个真实的数据集,可以用来指导进一步的投资者的建议。

然而,如果有大量VC数据处理,提出FECOM将耗费时间。在未来,我们将努力减少FECOM的时间成本。此外,我们将研究最优数量的单一metapaths生成metapath混合。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者通过(电子邮件保护)在请求。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金(没有。71971025)。