用线性和非线性组合的方法运行MPR，分别根据下面两个等式，报告通过调整参数α对结果的影响。

表4是采用线性组合法报告了3结点模式MPR性能的结果。

从表4可以看出MPR的性能优于所有基准方法。
观察发现，每个数据集的最佳性能是通过不同类型的模式来实现的，这意味着模式的有效性是特定领域的。

首先：当K=10时，可以看到BPR在DBLP和Epinions上的NDCGs大于0.94，这在实际中是很强的。而MPR的简单或锚模式仍然可以进一步改进NDCGs。MPR在DBLP上从0.9464提高到0.9920，在Epinions上从0.9777提高到0.9957。在Ciao上，性能增益甚至更大，从0.8332提高到0.9905。锚模式的性能增益非常相似，DBLP从0.9464提高到0.9934,Epinions从0.9777提高到0.9935,Ciao从0.8332提高到0.9907。
其次：当比较所有模式在三个数据集上的性能时，可以观察到相较于在DBLP和Epinions数据集，在Ciao数据集上，有更多的模式优于所有基准，尤其是，7个简单的模式优于所有的基准，对于top500结果，所有的模式，包括13个模式，与所有的基准相比，都提高了NDGCs。这可能是因为Ciao数据集的社交网络密度大于其他两个数据集(见表3)，这意味着图案的数量更大。

最后：在比较锚模式和简单模式的性能时，可以看到它们的最佳性能非常接近，除了Ciao，在top50和top500排名中，简单模式的最佳性能要比锚模式的最佳性能好得多。主要原因可能是锚模式是简单模式的“子结构”。
例如，在DBLP上，top10结果中表现最好的是锚模式的M ̂_12和简单模式M7。从图(b)和图4可以看出，M ̂_12和M7在图结构上是同构的。
即M ̂_12中编码的高阶关系已经包含在M7中(也可以参考表1和表2中的矩阵计算方法)。
实际上，M7中编码的关系由用M ̂_12和M ̂_13编码的关系组成，对于DBLP上top10的结果，M ̂_13(0.9879)的NDCG不如M ̂_12(0.9934)。这可能会导致M7（0.9920）的NDCG比M ̂_12（0.9934）稍微小一些。

综上，与基准相比，基于边和基于模式 的关系的线性组合可以显著提高用户排名的性能。