Interplay between Social Influence and Network Centrality: A Comparative Study on Shapley Centrality and Single-Node-Influence Centrality
我们研究了社交网络中基于动态影响传播模型的网络中心性。为了说明我们理解动态影响过程和静态网络结构之间的基本相互作用的集成算法方法，我们专注于两个基本的中心性度量：（a）单节点影响（SNI）中心性，它通过影响传播来度量每个节点的重要性; Shapley中心性，它使用影响扩散函数的Shapley值--基于基本的合作博弈理论概念制定--来衡量节点的重要性。我们提出了一个全面的比较研究，这两个中心的措施。在数学上，我们提出了公理化的特征，这恰恰抓住了这两个中心的措施和他们的根本区别的本质。从数学上讲，我们提供了可扩展的算法来近似一个大家庭的社会影响力的实例。从经验上讲，我们证明了他们的相似性和差异，在一些现实世界的社交网络，以及我们的可扩展算法的效率。我们的研究结果揭示了它们的适用性：SNI中心性适合于评估孤立的个人影响力，而Shapley中心性评估个人在群体影响力环境中的表现。
2017-03-01 cs.SI physics.soc-ph
Measuring Node Contribution to Community Structure with Modularity Vitality
社区感知中心性是网络科学中的一个新兴研究领域，关注节点对社区结构的重要性。测度是网络结构和给定分区的函数。以前的方法扩展了经典的中心性措施，占社区结构与社区发现理论的联系不大。相比之下，我们提出了集群质量的活力措施，即，模块化活力，这是一个社区意识的衡量标准，它充分基于中心性和社区发现理论。模块化活力量化了节点对社区结构的积极和消极贡献，表明节点作为社区桥梁或枢纽的作用。我们推导出一个计算效率高的方法，计算模块化生命力的所有节点在O（M + NC）的时间，其中C是社区的数量。我们通过移除中心节点来系统地分割网络，并发现模块化活力始终优于现有的社区感知中心性措施。在百万节点的基础设施网络上，模块化活力的效率是次优方法的8倍以上。这一结果并不适用于社交媒体通信网络，社交媒体通信网络对所有社区感知中心攻击都表现出极强的鲁棒性。这种稳健性表明，以用户为基础的干预措施，以减轻错误信息的传播将是无效的。最后，我们证明了模块化的生命力提供了一种新的方法来社区欺骗。
2021-01-07 cs.SI
Centrality-based identification of important edges in complex networks
中心性是网络科学中最基本的度量标准之一。尽管有大量的方法来测量单个顶点的中心性，但到目前为止，只有少数度量单个边的中心性。我们修改各种，广泛使用的顶点的中心性的概念，为边缘，为了找到在网络中的边缘是重要的其他对顶点之间。侧重于边缘的重要性，我们提出了一个基于边缘中心的网络分解技术，以确定一个层次结构的边缘集，其中每一组都与不同的重要性级别。我们使用各种范式网络模型评估我们的方法的效率，并应用新的概念来识别重要的边缘和重要的边缘集在社会网络分析中常用的基准模型，以及在不断发展的癫痫脑网络。
2019-08-25 cs.SI physics.soc-ph
Miuz: measuring the impact of disconnecting a node
在这篇文章中，我们提出了Miuz，一个复杂网络的鲁棒性指标。Miuz测量从网络断开节点的影响，同时比较剩余连接组件的大小。严格地说，节点的Miuz定义为最大连通分量的大小除以其余连通分量的大小之和的倒数。我们在攻击策略中测试了我们的索引，其中节点以指定度量的降序断开连接。我们考虑了Miuz和其他著名的中心性度量，如介数、度和调和中心性。所有这些指标进行了比较的鲁棒性（R指数）在攻击过程中的行为。为了模拟互联网骨干网，攻击是在具有幂律度分布的复杂网络（无标度网络）中进行的。初步结果表明，基于断开几个节点Miuz的攻击比基于其他中心性措施的攻击更危险（降低鲁棒性）。我们相信，Miuz以及其他基于最大连通分量大小的度量方法，为复杂网络的其他鲁棒性度量提供了很好的补充。
2016-09-02 cs.SI physics.soc-ph
A general centrality framework based on node navigability
中心性度量是网络科学中用于识别图中重要节点的流行工具。我们引入潜在增益作为中心性度量，它统一了图中许多基于步行的中心性度量，并捕获了节点可导航性的概念，解释为通过短步行从其他任何地方（图中）可到达的属性。潜在的增益（称为几何和指数潜在的增益）的两个实例，我们描述了可扩展的算法计算它们的大型图形。我们还证明了新措施和既定中心之间的关系。因此，节点的几何潜在增益可以表征为其度中心性与其Katz中心性分数的乘积。同时，证明了节点的指数潜在增益是度中心性与其可通信性指标的乘积。这些正式的结果将潜在的收益与上述中心性所捕获的“流行性”和“相似性”属性联系起来。
2020-03-12 cs.SI physics.soc-ph
A Faster Method to Estimate Closeness Centrality Ranking
接近中心性是衡量节点在给定网络中的中心程度的一种方法。接近中心性度量根据每个节点对整个网络的可访问性为每个节点分配中心性值。在现实生活中的应用中，我们主要感兴趣的是根据节点的中心性值对节点进行排名。经典的计算节点秩的方法是先计算所有节点的接近中心度，然后比较它们来得到它的秩。其时间复杂度为$O(n \cdot m + n)$，其中$n$表示节点总数，$m$表示网络中的边总数。在目前的工作中，我们提出了一种探试法来快速估计一个节点的贴近度排名在$O(α\cdot m)$的时间复杂度，其中$α= 3$。我们还提出了一个扩展的改进方法，使用均匀采样技术。该方法更好地估计秩，并且具有时间复杂度$O(α\cdot m)$，其中$α\approx 10-100$。这是对经典中心性排序方法的一个很好的改进。在真实世界的无标度社交网络上，使用绝对误差函数和加权误差函数验证了所提出方法的有效性。
2017-06-07 cs.SI physics.soc-ph
Numerical Investigation of Metrics for Epidemic Processes on Graphs
本研究开发了流行病击中时间（EHT）度量图测量的预期时间开始在节点$a$在一个完全易感的网络传播和到达节点$b$。一个相关的EHT中心性措施，然后比较度，介数，频谱，和有效电阻中心性措施，通过详尽的数值模拟几个真实世界的网络数据集。我们发现两个令人惊讶的观察：第一，EHT中心性是高度相关的有效电阻中心性;第二，EHT中心性措施是更离域相比，度和频谱中心性，突出了周边节点的作用，在图上的传染病传播。
2015-11-24 cs.SI math.PR physics.soc-ph
Link prediction in complex networks via fusing node centrality and local similarity indices: a fair-protocol reassessment and parameter design principles
College of Sciences, China Jiliang University（中国计量大学理学院）
本文提出融合节点中心性与局部相似性指标的链接预测框架，利用PageRank和DomiRank构建DR-MD系列，在九个数据集上显著优于基线，DR-RA平均AUC达0.7084。
2026-09-17 cs.SI
An Adaptive Version of Brandes' Algorithm for Betweenness Centrality
介数中心性（Betweenness centrality）是网络分析中最重要的概念之一，用来衡量一个顶点的相对重要性。著名的Brandes算法[J. Math. Sociol.~ '01]在$n$ -顶点和$m$ -边图上计算$O(nm)$最坏情况时间中所有顶点的介数中心性。在以后的工作中，显着的经验加速实现了预处理度1顶点和基于割顶点的图分割。我们贡献了一个算法处理度2顶点，这原来是更丰富的数学结构比度1顶点的情况下。基于这三个算法成分，我们提供了一个加强的最坏情况下的运行时间分析介数中心算法。更具体地说，我们证明了一个自适应运行时间界$O(kn)$，其中$k < m$是输入图的最小反馈边集的大小。
2020-05-12 cs.DS cs.SI
Temporal Walk Centrality: Ranking Nodes in Evolving Networks
我们提出了时间步行中心性，它量化了一个节点的重要性，通过测量其能力，以获得和分发信息的时间网络。与广泛使用的介数中心性相反，我们假设信息不一定在最短路径上传播，而是在满足网络时间约束的时间随机游走上传播。我们发现，时间步行中心性可以识别节点发挥中心作用的传播过程中，可能无法检测到相关的介数概念和其他常见的静态和时间的中心性措施。我们提出了精确的和近似算法不同的运行时间取决于时间网络的属性和我们的新的中心性措施的参数。一个技术的贡献是一个通用的方法来提升现有的代数方法计算静态网络的时间网络中的行走。我们在真实世界的时态网络上的实验表明，我们的算法的效率和准确性。最后，我们证明了时间步行中心性的排名通常与其他最先进的时间中心性的排名显着不同。
2022-02-08 cs.DS cs.IR cs.SI
Interplay Between Hierarchy and Centrality in Complex Networks
层次性和中心性是两个流行的概念，用于描述复杂系统中实体的重要性。事实上，许多复杂的系统表现出自然的层次结构，中心性是一个基本特征，可以识别关键成分。为了量化这些概念，已经提出了基于网络拓扑的各个方面的几种措施。虽然许多研究已经调查了中心性措施是否传递冗余信息，如何中心性和层次结构的措施是一个悬而未决的问题。在本文中，我们研究了中心性和层次结构之间的相互作用，使用几个相关性和相似性评价措施。一系列的实验进行，以评估6个中心性措施的组合与4个层次的措施，在28个不同的现实世界的网络具有不同的拓扑特征。结果表明，网络密度和传递性在塑造中心性和层次测度之间的关系模式中起着关键作用。
2021-03-02 cs.SI
Investigating Centrality Measures in Social Networks with Community Structure
中心性度量对于量化社交网络成员的影响力至关重要。虽然已经有大量的工作来处理这个问题，绝大多数经典的中心性措施是不可知的社区结构的特点，许多社交网络。最近的作品开发了社区意识的中心性措施，利用社区结构的信息在大多数现实世界中遇到的复杂网络的功能。在本文中，我们使用8个真实世界的在线网络调查5流行的经典中心性措施和5社区意识的中心性措施之间的相互作用。计算两种类型的中心性度量之间的相关性和相似性度量。结果表明，社区意识的中心性措施可以分为两组。第一组，其中包括桥接中心性，社区枢纽桥和参与系数，提供了独特的节点信息相比，经典的中心性。这种行为在整个网络中是一致的。第二组包括基于社区的调解人和邻近社区的数量，其特点是在不同网络之间有不同的结果。
2022-01-30 cs.SI
HellRank: A Hellinger-based Centrality Measure for Bipartite Social Networks
在社交网络中，特别是在二分模式下，测量中心性带来了一些挑战，例如需要充分了解网络拓扑结构以及缺乏对前k个行为代表用户的正确检测。在本文中，为了克服上述具有挑战性的问题，我们提出了一个准确的中心性措施，称为HellRank，以确定中心节点的二分社交网络。HellRank基于二分网络同一侧的两个节点之间的Hellinger距离。我们从理论上分析了Hellinger距离对二分网络的影响，并找到了这个距离的上界和下界。HellRank中心性度量的计算可以通过让每个节点仅使用其直接邻居的本地信息来分布，因此不需要中心实体来完全了解网络拓扑结构。我们通过实验评估了HellRank度量与现实网络中其他中心性度量的相关性。结果表明，根据Kendall和Spearman秩相关系数，HellRank与其他传统度量之间存在部分排序相似性。
2017-03-17 cs.CY cs.SI physics.soc-ph
Measure the similarity of nodes in the complex networks
复杂网络中节点的相似性度量一直是众多研究者关注的问题，本文提出了一种基于度中心度和相对熵的复杂网络节点相似性度量方法。研究结果表明，具有共同结构属性的节点与其他节点具有较高的相似度。对其他节点影响力大的节点与其他节点的相似度值较小，边缘节点与其他节点的相似度值也较低。结果表明，该方法对复杂网络中节点的相似性度量是有效的、合理的。
2015-02-03 cs.SI physics.soc-ph
Network Centrality Metrics Based on Unrestricted Paths, Walks and Cycles Compared to Standard Centrality Metrics
Aalto University School of Science（阿尔托大学理学院）
本文提出基于影响传播模型的入中心度和出中心度度量，通过比较节点排名和相关系数，展示了其在强调替代路径重要性方面的优势。
2026-02-06 cs.SI
Comparing Probabilistic Influence-Spreading Centralities to Commonly-Used Centrality Measures in Directed and Weighted Networks
Aalto University（阿尔托大学）
该研究在有向加权网络中，对比ISM三种概率中心性与常用中心性，发现标准中心性可近似广播影响，但常遗漏接收影响及概率中介的细微特征。
2026-08-20 cs.SI
Presentation a Trust Walker for rating prediction in Recommender System with Biased Random Walk: Effects of H-index Centrality, Similarity in Items and Friends
University of Applied Science and Technology（应用科学与技术大学）；University of Kurdistan（库尔德斯坦大学）；Queensland University of Technology（昆士兰科技大学）
推荐系统的使用已经大大增加，以帮助在线社交网络用户在决策过程中选择合适的项目。另一方面，由于许多不同的项目，用户无法对其中的大范围进行评分，并且通常为用户创建的矩阵存在分散问题。为了解决这个问题，基于信任的推荐系统被用来预测用户所期望的项目的分数。已经考虑了各种标准来定义信任，并且通常基于这些标准来计算用户之间的信任度。在这方面，由于社交网络中的用户数量众多，因此不可能获得所有用户的信任程度。还有，针对这个问题，研究人员使用不同模式的随机游走算法随机访问一些用户，研究他们的行为，获得他们之间的信任程度。在本研究中，提出了一个基于信任的推荐系统，预测目标用户没有评价的项目的分数，如果该项目没有找到，它提供给用户的项目依赖于该项目，也是用户的兴趣的一部分。在可信网络中，通过对节点之间的边进行加权来确定信任度，并开发了一种TrustWalker，它使用偏置随机游走（BRW）算法在节点之间移动。边的权重在随机步长的选择中是有效的。本研究方法的实施和评估已经进行了三个数据集命名为Epperly，Flixster，和FilmTrust的结果显示所提出的方法的高效率。
2020-09-10 cs.LG cs.SI
Power in Liquid Democracy: A Network Centrality Approach
University of Groningen（格罗宁根大学）；University of Amsterdam（阿姆斯特丹大学）；Association for Interactive Democracy（互动民主协会）；University of Warsaw（华沙大学）；University of Oxford（牛津大学）
本文针对支持传递性和可暂停委托的液体民主集体决策平台，提出基于随机游走衰减中心性的权力度量框架，还研究了其公理特性、扩展应用及代表名单选择方法。
2026-08-14 cs.GT cs.SI
Top influencers can be identified universally by combining classical centralities
University of Twente（特文特大学）
信息流、意见和流行病在结构化网络中传播。当使用单个节点中心性指标来预测哪些节点将成为大型网络中的顶级影响者或传播者时，没有一个单一的中心性具有持续良好的排名能力。我们表明，统计分类器使用两个或更多的中心作为输入，而不是一致的预测在许多不同的，静态的现实世界的拓扑结构。某些中心性对在统计上绘制顶部扩散器和其余扩散器之间的边界时合作得特别好：测量节点邻域大小的局部中心性受益于添加全局中心性，例如特征向量中心性，接近度或核心数。直观地说，这是因为局部中心性可能会对位于网络密集但外围区域的一些节点进行高度排名-在这种情况下，额外的全局中心性指标可以通过优先考虑位于更中心的节点来提供帮助。被选为超级传播者的节点通常会联合最大化两个中心的值。由于中心性指标之间的相互作用，在本研究中，使用七个经典指标训练分类器在整个网络中产生了几乎最大的平均精度函数（0.995）。
2020-08-04 cs.LG cs.SI
Graph Spectral Embedding using the Geodesic Betweeness Centrality
University of California Los Angeles（加州大学洛杉矶分校）
我们介绍了图西尔维斯特嵌入（GSE），局部相似性，连通性和全局结构的无监督图表示。GSE使用Sylvester方程的解来在单个表示中捕获网络结构和邻域邻近度。与基于拉普拉斯算子的特征向量的嵌入不同，GSE包含两个或更多个基函数，例如使用拉普拉斯算子和亲和矩阵。这样的基函数不是从原始图构造的，而是从其权重度量原始图中的边的中心性（通过该边的最短路径的数量的分数）的基函数构造的。这允许更大的灵活性和控制来表示复杂的网络结构，并且当用于数据分析任务时，例如预测材料科学中的失败边缘和人-SARS CoV-2蛋白质-蛋白质相互作用组中的网络比对时，显示出对现有技术的显著改进。
2022-05-07 cs.LG cs.SI
The Hayastan Shakarian cut: measuring the impact of network disconnections
在这篇文章中，我们提出了Hayastan Shakarian（HS），一个复杂网络的鲁棒性指标。HS测量网络断开（边缘）的影响，同时比较剩余连接组件的大小。严格地说，Hayastan Shakarian指数被定义为边缘去除，其产生最大连通分量的大小除以其余分量的大小之和的最大倒数。我们在攻击策略中测试了我们的索引，其中节点以指定度量的降序断开连接。我们考虑使用Hayastan Shakarian切割（用最大HS断开边缘）和其他众所周知的策略作为更高介数中心性断开。所有的策略进行了比较的鲁棒性（R指数）在攻击过程中的行为。为了模拟互联网骨干网，攻击是在具有幂律度分布的复杂网络（无标度网络）中进行的。初步结果表明，基于断开使用Hayastan Shakarian切割的攻击比基于其他中心性措施的相同攻击更危险（降低鲁棒性）。我们认为，Hayastan Shakarian cut以及其他基于最大连通分量大小的度量，为复杂网络的其他鲁棒性度量提供了很好的补充。
2016-01-11 cs.SI
Structack: Structure-based Adversarial Attacks on Graph Neural Networks
Graz University of Technology（格拉茨工业大学）；Know Center GmbH（知识中心有限公司）；RWTH Aachen（亚琛工业大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）
最近的研究表明，图神经网络（GNN）容易受到图数据上的对抗攻击。常见的攻击方法通常是通知的，即它们可以访问关于节点属性的信息，例如标签和特征向量。在这项工作中，我们研究了不知情的对抗攻击，其中攻击者只能访问图结构，但没有关于节点属性的信息。在这里，攻击者的目标是利用GNN模型对图数据所做的结构知识和假设。特别是，文献表明，结构节点中心性和相似性对GNN的学习有很大的影响。因此，我们研究了中心性和相似性对GNN上的对抗攻击的影响。我们证明，攻击者可以利用这些信息来降低GNN的性能，方法是专注于在低相似性的节点之间注入链接，令人惊讶的是，低中心性。我们表明，基于结构的不知情的攻击可以接近知情攻击的性能，同时计算效率更高。在我们的论文中，我们提出了一种新的GNN攻击策略，我们称之为Structack。Structack可以在严格的计算约束下成功地利用非常有限的信息操纵GNN的性能。我们的工作有助于在图上构建更强大的机器学习方法。
2021-07-28 cs.LG cs.SI
The Many Faces of Graph Dynamics
复杂网络的拓扑结构已经吸引了研究人员几十年，导致了许多普遍性质的发现和不同类型的网络的重现特征。然而，今天对网络动力学的了解要少得多：事实上，复杂网络在现实中不是静态的，而是随着时间的推移而动态演变的。我们的论文的动机是经验观察，网络演化模式似乎远离随机，但表现出结构。此外，具体模式似乎取决于网络类型，与“一刀切”模式的存在相矛盾。然而，我们仍然缺乏量化这些直觉的可观测值，以及比较图演化的指标。这样的观测量和度量是外推或预测演化以及内插图演化所需要的。为了探索图动态的许多方面并量化时间变化，本文建议建立在中心性的概念上，这是一种衡量网络中节点重要性的方法。特别是，我们引入了中心距离的概念，两个图的自然相似性度量取决于一个给定的中心，表征图形类型。直观地说，中心性距离反映了两个图之间（非匿名）节点角色不同的程度，或者在动态图的情况下，随着时间的推移而变化。我们评估了五个进化模型和七个现实世界的社会和物理网络的中心距离方法。我们的研究结果经验表明，有用的中心距离表征图形动态相比，一个空模型的随机演化，并强调所考虑的方案之间的差异。有趣的是，我们的方法允许我们在规模和进化速度方面比较非常不同的网络的动态。
2017-03-01 cs.SI physics.soc-ph
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中，这可能无法充分模拟不同类型的社区，因此限制了社交网络上的聚类性能。针对这一问题，提出了一种基于相似性的多原型社区发现方法。在SMP中，每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重，而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明，SMP执行良好的检测社区。此外，与现有的社区发现模型相比，该方法借助原型权值，能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
Measuring and Maximizing Influence via Random Walk in Social Activity Networks
随着OSN的普及，找到一组最有影响力的用户（或节点），以触发最大的影响力级联具有重要意义。例如，公司可以利用“口碑”效应，通过向那些最有影响力的用户提供免费样品/折扣来引发大量购买。这一任务通常被建模为一个影响力最大化问题，在过去的十年里，它已经得到了广泛的研究。然而，考虑到OSN中的用户可以参与各种在线活动，例如，对产品进行评级，加入讨论组等，通过在线活动传播影响力变得更加重要。在本文中，我们研究的影响，在线活动制定的影响力最大化问题的社会活动网络（SAN）包含用户和在线活动。为了解决计算的挑战，我们定义了一个影响力中心通过随机游走来衡量影响力，然后使用蒙特卡罗框架来有效地估计在SAN的中心。此外，我们开发了一个基于贪婪的算法，两个新的优化技术，以找到最有影响力的用户。通过对真实世界的数据集进行广泛的实验，我们表明，当我们需要处理大量的在线活动时，我们的方法比最先进的算法IMM[17]更有效。
2017-01-09 cs.SI
CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs
Federation University Australia（澳大利亚联邦大学）；Dalian University of Technology（大连理工大学）；Zhejiang University of Technology（浙江工业大学）；The Chinese University of Hong Kong（香港中文大学）
图卷积网络（GCN）在许多领域都取得了令人瞩目的性能，引起了人们的广泛关注。GCN的核心步骤是信息传递框架，该框架认为从邻居到中心顶点的所有信息都同等重要。然而，这种同等的重要性对于无标度网络是不够的，在无标度网络中，由于顶点不平衡，枢纽顶点传播更多的主导信息。在本文中，我们提出了一种新的基于中心的框架命名CenGCN解决信息的不平等。该框架首先通过中心点的标签传播来量化中心点与其邻居之间的相似性。基于这种相似性和中心性指数，框架通过增加或减少连接枢纽顶点的边的权重以及向顶点添加自连接来变换图。在GCN的每个非输出层中，该框架使用中心注意力机制来基于它们与中心顶点的公共信息向连接的非中心顶点分配新的权重。分别基于度中心性和特征向量中心性，提出了两个变体CenGCN D和CenGCN E.我们还进行了全面的实验，包括顶点分类，链接预测，顶点聚类和网络可视化。结果表明，这两种变体显著优于最先进的基线。
2022-02-16 cs.LG cs.SI
A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality
FFCLRP-USP（圣保罗大学里贝朗普雷托哲学、科学和文学学院）
数据分类是一种主要的机器学习范式，已被广泛应用于解决大量的现实问题。传统的数据分类技术只考虑物理特征（例如，距离、相似性或分布）。由于这个原因，这些被称为\textit{low-level}分类。另一方面，人类（动物）大脑执行低级和高级学习，并且它具有根据输入数据的语义含义识别模式的能力。不仅考虑物理属性而且考虑图案形成的数据分类被称为\textit{high-level}分类。已经开发了几种高级分类技术，它们利用复杂网络来表征数据模式，并取得了可喜的成果。在本文中，我们提出了一个纯粹的基于网络的高层次的分类技术，使用介数中心性措施。我们在九个不同的真实数据集上测试了该模型，并将其与其他九个传统和知名的分类模型进行了比较。结果表明，我们一个称职的分类性能。
2020-09-16 cs.LG cs.SI stat.ML
Measuring user influence on Twitter: A survey
中心性是社会网络分析中研究最多的概念之一。有大量的文献关于中心性措施，作为识别社交网络中最相关用户的方法。挑战是找到可以有效计算的度量，并且能够根据尽可能接近现实的相关性标准对用户进行分类。我们在Twitter网络的背景下解决这个问题，Twitter网络是一个在线社交网络服务，拥有数百万用户，每天通过用户之间的互动发布和传播的消息流令人印象深刻。Twitter有不同类型的用户，但最大的效用在于找到最有影响力的用户。本文的目的是收集和分类不同的Twitter影响力的措施，存在到目前为止，在文献中。这些措施多种多样。有些基于Twitter API提供的简单指标，而另一些则基于复杂的数学模型。一些措施是基于PageRank算法，传统上用于排名的网站在互联网上。有些人考虑出版的时间轴，有些人考虑信息的内容，有些人关注特定的主题，还有一些人试图做出预测。我们考虑所有这些方面，以及一些其他方面。此外，我们还包括活动和流行度的措施，传统的机制，以相关的措施，和一些重要方面的计算复杂性，为这个特定的背景。
2016-04-24 cs.SI
Measuring Similarity between Brands using Followers' Post in Social Media
在本文中，我们提出了一个新的措施来估计品牌之间的相似性，通过品牌的追随者在社交网络服务（SNS）的职位。我们的方法是为了探索客户可能共同购买的品牌而开发的。如今，品牌使用社交媒体进行有针对性的广告，因为影响用户的偏好可以极大地影响销售趋势。我们假设SNS上的数据可以让我们在品牌之间进行定量比较。我们提出的算法分析每个品牌的追随者发布的每日照片和标签。通过对它们进行聚类并将其转换为直方图，我们可以计算品牌之间的相似度。我们评估了我们提出的算法与购买日志，信用卡信息和问卷调查的答案。实验结果显示，由购物中心或信用卡公司维护的购买数据可以很好地预测共同购买，但不能预测顾客购买新品牌产品的意愿。另一方面，我们的方法可以预测用户对品牌的兴趣，相关值超过0.53，这是相当高的考虑到这种品牌的兴趣是高度主观和个人依赖。
2020-01-10 cs.MM cs.SI
A novel DFS/BFS approach towards link prediction
本文提出一种将中心性度量与经典机器学习相结合的图预测方法用于链接预测，实验表明在随机选节点和度中心性条件下效果显著。
2024-09-18 cs.DS cs.SI
Measuring Research Interest Similarity with Transition Probabilities
本文提出基于引文网络随机游走转移概率的论文与作者相似性度量，验证其优于个性化PageRank和Node2vec，并用于分类与预测合著。
2025-10-24 cs.DL cs.SI stat.AP
Measuring Similarity in Large-scale Folksonomies
社会（或大众分类）标签已经成为描述Web 2.0网站内容的一种非常流行的方式。与分类法不同，分类法对内容进行了分层分类，大众分类法使最终用户能够自由地创建和选择最能描述某些内容的类别（在本例中为标签）。然而，由于标签是非正式定义的，不断变化的，不受管制的，社会标签往往被批评为降低，而不是增加，搜索的效率，由于同义词，同音异义词，一词多义的数量，以及用户的异质性和噪音，他们介绍。为了解决这个问题，已经提出了各种方法，建议用户在标记和查找资源时使用什么标签。正如我们在本文中所示，现实世界中的大众分类的特点是幂律分布的标签，超过常用的相似性度量，包括Jaccard系数和余弦相似性，无法计算。因此，我们提出了一种新的度量，专门开发来捕获大规模的大众分类法的相似性，这是基于相互加强的原则：也就是说，两个标签被认为是类似的，如果它们被关联到类似的资源，反之亦然，两个资源被认为是类似的，如果它们被标记为类似的标签。我们提供了一个有效的实现这种相似性度量，并评估其质量实验，通过比较它对余弦相似性，在三个大规模的数据集，即Bibsonomy，MovieLens和CiteULike。
2012-07-25 cs.IR cs.SI
Measuring News Similarity Across Ten U.S. News Sites
新闻网站做出关于在其网站主页上包括什么故事以及强调什么故事的编辑决定（例如，大字体大小的主要故事）。新闻网站上强调的故事通常与许多其他新闻网站高度相似（例如，恐怖事件故事）。选择性地强调头条新闻和不同新闻机构的新闻相似性是众所周知的现象，但没有得到很好的衡量。我们提供了一种方法，用于确定一组选定的美国-基于新闻网站，然后量化它们之间的相似性。为了实现这一目标，我们首先开发了一个标题和链接提取器，用于解析选定的网站，然后在2016年11月至2017年1月的三个月内检查了10个美国新闻网站的主页。使用存档的副本，从互联网档案馆（IA）检索，我们讨论了解析这些网站的方法和困难，以及如何事件，如总统选举可以导致新闻网站改变他们的文件表示只是这些事件。我们使用我们的解析器来提取k = 1，3，10的故事最大数量为每个新闻网站。其次，我们使用余弦相似性度量来计算三个月内每天东部时间晚上8点的新闻相似性。相似性得分在选举日之前增加（0.335），在选举日下降（0.328），在选举日之后增加（0.354）。我们的方法表明，我们可以有效地识别头条新闻和量化新闻相似性。
2018-07-02 cs.DL cs.IR cs.SI
The Many Faces of Graph Dynamics
复杂网络的拓扑结构已经吸引了研究人员几十年，导致了许多普遍性质的发现和不同类型的网络的重现特征。然而，今天对网络动力学的了解要少得多：事实上，复杂网络在现实中不是静态的，而是随着时间的推移而动态演变的。我们的论文的动机是经验观察，网络演化模式似乎远离随机，但表现出结构。此外，具体模式似乎取决于网络类型，与“一刀切”模式的存在相矛盾。然而，我们仍然缺乏量化这些直觉的可观测值，以及比较图演化的指标。这样的观测量和度量是外推或预测演化以及内插图演化所需要的。为了探索图动态的许多方面并量化时间变化，本文建议建立在中心性的概念上，这是一种衡量网络中节点重要性的方法。特别是，我们引入了中心距离的概念，两个图的自然相似性度量取决于一个给定的中心，表征图形类型。直观地说，中心性距离反映了两个图之间（非匿名）节点角色不同的程度，或者在动态图的情况下，随着时间的推移而变化。我们评估了五个进化模型和七个现实世界的社会和物理网络的中心距离方法。我们的研究结果经验表明，有用的中心距离表征图形动态相比，一个空模型的随机演化，并强调所考虑的方案之间的差异。有趣的是，我们的方法允许我们在规模和进化速度方面比较非常不同的网络的动态。
2016-10-12 cs.SI physics.data-an physics.soc-ph
Centrality-Based Node Feature Augmentation for Robust Network Alignment
Yonsei University（延世大学）；Posts and Telecommunications Institute of Technology（邮电技术学院）；Pohang University of Science and Technology (POSTECH)（浦项科技大学）；The University of New South Wales（新南威尔士大学）
提出Grad-Align+，基于中心性特征增强和GNN的渐进网络对齐方法，在无额外信息下优于基准，且对噪声鲁棒、计算高效。
2024-09-19 cs.IT cs.LG cs.NE
Measuring ESG Risk in Supply Networks
University of Exeter（埃克塞特大学）；Universidade de Aveiro（阿威罗大学）
本文提出一种改进的测量框架，用于评估供应链中与低评级公司交易对公司ESG评级的影响，以减少绿色洗冤风险。
2026-03-19 cs.SI
Neighborhood Structure Configuration Models
本文提出邻域结构配置模型，利用颜色细化算法迭代为配置模型赋予颜色，从而高效生成可精确控制与原始网络相似度的合成网络，并证明迭代越深，合成网络在多种中心性度量上越接近原始网络。
2022-10-13 cs.SI
Measuring Social Influence with Networked Synthetic Control
Ho-Chun Herbert Chang（独立研究者）
针对社会影响力测量缺乏反事实对照的问题，本文结合机器学习与网络科学，分析基于合成控制的社会价值指标的理论性质，并通过仿真验证广义友谊悖论的成立，同时实现了集成模型的计算优化。
2025-05-19 cs.LG cs.SI
An interdisciplinary survey of network similarity methods
比较图和网络分析在系统生物学和模式识别中起着重要的作用，但是现有的关于该主题的调查在历史上忽略了这些领域中的一个或另一个。我们提出了一个综合介绍的关键目标和方法的图和网络比较在每个领域，保持访问相对新手的意图，以减轻跨学科的想法交叉的障碍。为了指导我们的调查，并定量地证明我们对每个领域的关键目标和方法的断言，我们构建了一个包含5，793个顶点的引文网络，这些顶点来自200多篇相关论文的完整参考文献列表，我们通过搜索Google Scholar收集了10个不同的网络比较相关搜索词。我们调查了它的基本统计数据和社区结构，并根据五种不同的标准中心性措施，围绕发现具有高度重要性的论文进行了介绍。
2019-05-15 cs.CV cs.SI q-bio.MN
