Local structure entropy of complex networks
识别复杂网络中的影响节点具有重要的理论和实际意义。在复杂网络中，有很多方法可以用来识别影响节点。本文提出了一种基于度中心性和统计力学的局部结构熵来识别复杂网络中的影响节点。在局部结构熵的定义中，每个节点都有一个局部网络，每个节点的局部结构熵等于局部网络的结构熵。局部结构熵的主要思想是试图用局部网络的影响来代替节点对整个网络的影响。由局部结构熵识别出的有影响力的节点是网络中的中间结点。中间结点是连接那些度值较大的结点的结点。我们使用$Susceptible-Infective$（SI）模型来评估由局部结构熵识别的有影响力的节点的性能。在SI模型中，节点用作感染源。根据SI模型，网络中感染节点的比例越大，该节点对整个网络的重要性越大。对四个实际网络的仿真结果表明，该方法对复杂网络中影响节点的识别是有效的、合理的。
2014-12-12 cs.SI physics.soc-ph
Identify influential spreaders in complex networks, the role of neighborhood
识别最有影响力的传播者是控制复杂网络中传播过程的一个重要问题。中心性度量用于对扩散动态中的节点影响进行排序。在这里，我们提出了一个节点的中心性和它的邻居的中心性，我们称之为邻居中心性的基础上的节点影响力的措施。通过模拟六个真实网络中的传播过程，我们发现邻域中心性在对节点影响力进行排序和识别最有影响力的传播者方面大大优于节点的基本中心性，如度和核心度。有趣的是，我们发现在考虑节点的邻域时存在饱和效应，这不是越大越好的情况。具体来说，考虑节点的两步邻域是一个很好的选择，平衡了成本和性能。如果进一步考虑邻域的步长，则排序性能没有明显的改善，甚至有所下降。饱和效应可以为利用节点的局部结构来确定其在网络中的重要性的研究提供信息。
2015-11-02 cs.SI physics.soc-ph
Ranking influential spreaders is an ill-defined problem
在网络中寻找有影响力的信息和疾病传播者是一个重要的理论问题，也是最近相当感兴趣的问题之一。它几乎完全被公式化为一个节点排名问题--识别有影响力的传播者的方法根据节点的影响力对节点进行排名。在这项工作中，我们表明，排名的方法并不一定工作：最有影响力的节点的集合取决于在集合中的节点的数量。因此，要接种的$n$最重要节点的集合不需要具有与$n+1$最重要节点的集合共同的任何节点。我们提出了一种方法来量化这种现象的程度和影响，并表明它是常见的经验和模型网络。
2017-03-16 cs.SI physics.soc-ph q-bio.PE
Tracking Influential Nodes in Dynamic Networks
在本文中，我们解决了一系列应用中固有的一个具有挑战性的问题：跟踪动态网络中的有影响力的节点。具体来说，我们将动态网络建模为边权重更新流。这个通用模型包含了许多实际场景作为特殊情况，如边和节点的插入，删除以及不断发展的加权图。在常用的线性阈值模型和独立级联模型下，我们考虑了问题的两个基本版本：找到影响力超过用户指定阈值的节点和找到前$k$最有影响力的节点。我们的主要思想是使用基于轮询的方法，并保持一个随机RR集的样本，以便我们可以近似节点的影响与可证明的质量保证。我们开发了一个有效的算法，增量更新样本随机RR集对网络的变化。我们还设计了方法来确定两个版本的问题的适当样本量，以便我们可以提供强有力的质量保证，同时在空间和时间上都是有效的。除了全面的理论结果外，我们在$5$真实网络数据集上的实验结果清楚地证明了我们算法的有效性和效率。
2017-07-17 cs.SI physics.soc-ph
Locating influential nodes via dynamics-sensitive centrality
复杂网络中影响节点的定位是一个很有前途的研究课题，具有重要的理论和实际意义。在本文中，我们提出了一个动态敏感（DS）的中心性，集成了拓扑特征和动力学性质。DS中心性可以直接应用于定位有影响力的传播者。在四个真实网络上对SIR和SI传播模型的实证结果表明，DS中心性比度、$k$ -壳指数和特征向量中心性更准确.
2015-04-25 cs.SI physics.data-an physics.soc-ph
Identifying influential nodes based on fuzzy local dimension in complex networks
如何识别复杂网络中的影响节点是复杂网络研究的一个重要方面。本文提出了一种新的模糊局部维数（FLD）来对复杂网络中的影响节点进行排序，其中具有高模糊局部维数的节点具有高的影响能力。该方法利用模糊集的方法，重点研究了距离中心节点的距离对中心节点局部维数的影响，从而改变影响能力。为了证明该方法的有效性和准确性，本文应用了四个现实世界的网络。同时，利用易受感染（SI）模型模拟FLD等中心性度量的传播过程，并利用Kendall的tau系数描述中心性度量得到的影响节点与SI模型测量结果之间的相关性。从排序列表和仿真结果来看，该方法对影响节点的排序是有效和准确的。
2018-12-21 cs.SI nlin.CD
Accurate ranking of influential spreaders in networks based on dynamically asymmetric link-impact
我们提出了一个有效和准确的衡量排名的传播者，并确定有影响力的网络传播过程中。虽然边决定了节点之间的连接，但它们在传播中的具体作用应该明确考虑。连接节点i和j的边对于从i扩展到j和从j扩展到i的重要性可能不同。关键问题是节点j在通过边被i感染后，是否会接触到i本身无法直接到达的其他节点。有必要调用两个不等的权重wij和wji，根据节点i和j的邻域来表征边缘的重要性。源自节点的总不对称方向权重导致一种新的度量si，其量化了节点在扩散过程中的影响。s-shell分解方案进一步为节点分配s-shell指数或加权核心。基于si和加权核心度的排名的有效性和准确性通过将它们应用于九个真实世界的网络来证明。结果表明，它们通常优于基于节点度和k壳指数的排名，同时保持较低的计算复杂度。我们的工作代表了理解和控制疾病、谣言、信息、趋势和网络创新传播的关键一步。
2017-05-10 cs.SI physics.soc-ph
Core-like groups result in invalidation of identifying super-spreader by k-shell decomposition
识别最具影响力的传播者是理解和控制复杂网络传播过程的重要问题。最近的研究表明，位于网络核心的节点是最有影响力的传播者。然而，通过大量的数值模拟，我们观察到并不是所有的真实网络中，高壳层的节点都是非常有影响力的：在一些网络中，核心节点是最有影响力的，我们称之为真正的核心，而在其他高壳层的节点中，即使是最里面的核心，也不是很好的传播者，我们称之为类核心群。通过分析网络的k-核结构，我们发现网络的真正的核与网络的壳层之间的联系非常紧密，而类核群则在群内非常局部地联系。对于类核群中的节点，k-shell指标不能反映其在网络中的位置重要性。我们进一步引入了一个措施的基础上的链接多样性的外壳，以有效地区分真正的核心和核心类组，并确定整个网络的核心类组。我们的发现有助于更好地理解真实网络和有影响力节点的结构特征。
2015-05-27 cs.SI physics.soc-ph
Identify Influential Nodes in Online Social Network for Brand Communication
近年来，在线社交网络变得非常流行，这促使越来越多的公司通过社交媒体推广他们的品牌和产品。提出了一种识别在线社会网络中品牌传播影响力节点的方法。我们首先构建一个加权网络模型的用户和他们的关系提取的品牌相关的内容。我们从网络结构和品牌参与度两个方面对社区中节点的个体价值进行了定量度量。然后提出了一种从虚拟品牌社区中识别有影响力节点的算法。该算法通过节点的个体值以及其周围节点的个体值来评估节点的重要性。我们提取和构建一个虚拟的品牌社区，为一个特定的品牌从现实生活中的在线社交网络作为数据集，并实证评估所提出的方法。实验结果表明，该方法能够识别在线社交网络中有影响力的节点。该方法可以得到更高的用户认证率和用户覆盖率。
2020-06-24 cs.SI
Weighted H-index for identifying influential spreaders
传播是社会、生物和技术系统中普遍存在的过程。因此，识别有影响力的传播者，对于预防传染病传播和制定有效的预防接种策略具有重要的理论和现实意义。本文提出了一种基于虚拟节点扩展的加权h指标中心度来量化复杂网络中节点的扩散影响。在真实网络上的仿真结果表明，该方法提供了更准确，更一致的排名比五个经典的方法。此外，我们观察到，我们的措施的单调性和计算复杂性也可以产生优异的性能。
2017-10-15 cs.SI physics.soc-ph
Centrality Measures for Networks with Community Structure
在大型网络中，了解网络结构，找出有影响力的节点是一个具有挑战性的问题。识别网络中最有影响力的节点在许多应用中可能是有用的，例如在流行病传播的情况下，在复杂网络的故意攻击期间对节点进行免疫。大量的研究是为了设计中心性的措施，可以有效地识别网络中最有影响力的节点。有两种主要的方法来解决这个问题：一方面，确定性策略，利用整个网络拓扑的知识，以找到有影响力的节点，而另一方面，随机策略是完全不可知的网络结构。中心性的措施，可以处理有限的知识的网络结构是必需的。事实上，在实践中，关于整个网络的全球结构的信息很少或难以获得。即使可用，网络的结构也可能太大，以至于计算全局中心性度量的计算成本太高。为此，提出了一个中心性的措施，只需要在社区一级的信息，以确定网络中的有影响力的节点。事实上，大多数现实世界的网络都表现出一种社区结构，可以有效地利用这种结构来发现有影响力的节点。我们进行了一个比较评估，突出的全球确定性的战略，以及随机策略与现有的和建议的确定性的社区为基础的战略。通过在具有社区结构的合成网络和真实网络上进行实验，评估了所提出方法的有效性。
2016-01-26 cs.SI physics.soc-ph
Convex relaxation for finding planted influential nodes in a social network
我们考虑在社会网络中的影响力最大化的问题。我们重点研究的情况下，社会网络是一个有向的二部图，其弧连接到接收器的节点。我们考虑的情况下，确定性网络和概率图形模型，即所谓的“级联”模型。这个问题是要找到一个集合的$k$最有影响力的整数$k$。虽然这个问题是NP难的，但Kempe、Kleinberg和Tardos提出了一个多项式时间近似算法。在这项工作中，我们考虑凸松弛的问题。我们证明了凸优化可以恢复的情况下，网络是根据生成模型，其中有影响力的节点被种植，但随后被噪声掩盖。我们还证明了计算凸松弛可以成功的一个更现实的生成模型称为“森林火灾”模型。
2013-07-15 cs.SI math.OC physics.soc-ph
Critical Node Detection in Temporal Social Networks, Based on Global and Semi-local Centrality Measures
本研究关注时态社交网络中的关键节点检测，提出了三种新度量方法，并基于 SIR 流行病模型验证其能更准确地识别影响节点，可应用于控制流行病传播或加速信息传播。
2024-09-23 cs.SI physics.soc-ph
A graph neural network based on feature network for identifying influential nodes
College of Computer and Cyber Security, Chengdu University of Technology（计算机与网络安全学院，成都理工大学）
提出基于特征网络的图卷积框架FNGCN，利用特征网络表示局部中心性关系，结合浅层与深层GCN，在真实网络上较现有方法更准确识别有影响力节点。
2025-08-02 cs.LG cs.SI
Identifying influential spreaders in complex networks based on gravity formula
如何识别社交网络中有影响力的传播者，对于加速/阻碍信息传播、增加产品曝光率、控制疾病和谣言等都至关重要。本文将每个节点的k壳值视为其质量，将两个节点之间的最短路径距离视为它们之间的距离，然后受引力公式思想的启发，本文提出了一个引力中心性指标来识别复杂网络中的有影响力的传播者。通过与度中心性、介数中心性、贴近中心性、k壳中心性等著名中心性指标的比较，表明该方法能够有效地识别真实网络和合成网络中的影响传播者.我们还使用经典的易感-感染-传染（SIR）流行病模型来验证我们的方法的良好性能。
2016-03-29 cs.SI physics.soc-ph
MCD: A Modified Community Diversity Approach for Detecting Influential Nodes in Social Networks
在过去的几十年里，社交网络已经将全球各地的人们联系在一起，并已成为我们日常生活中至关重要的一部分。这些网络也迅速发展成为面向更广泛受众传播产品、想法和意见的平台。由于各种原因，这就需要在网络中找到有影响力的节点，包括遏制错误信息在网络中传播，有效地广告产品，在生物网络中找到突出的蛋白质结构等。一种通过利用社区发现和改进的社区多样性方法来发现网络中有影响力的节点的新方法。我们将社区多样性的概念扩展到两跳场景。这有助于我们更准确地评估节点对网络的可能影响，并避免选择具有重叠影响范围的种子节点。实验结果表明，MCD优于其他各种国家的最先进的方法上的八个数据集累积在三个性能指标。
2022-11-22 cs.SI
Absence of influential spreaders in rumor dynamics
最近的研究[1]表明，核心度，而不是度，构成了一个更好的拓扑描述符，以识别复杂网络中有影响力的传播者。这一假设在疾病传播的背景下得到了验证。在这里，我们专注于谣言传播模型，这更适合于社会传染和信息传播。为此，我们在几个真实世界的网络上进行了广泛的计算机模拟，并发现了相反的结果。也就是说，我们表明，节点的传播能力不依赖于他们的$k$核心索引，而不是决定是否一个给定的节点防止扩散的谣言，以系统范围内的规模。我们的研究结果与传染动力学的社会学研究和有效的商业病毒过程的设计有关。
2011-12-10 cs.SI physics.soc-ph
Seeding Influential Nodes in Non-Submodular Models of Information Diffusion
我们认为，在社交网络中的信息扩散模型，从\cite{Hui2010a}，其中包括演员之间的信任（加权链接），并允许演员积极参与传播过程中，特别是通过查询朋友的额外信息的能力。与简单的阈值和级联模型相比，该模型更真实地捕捉了社会代理如何传输和作用于信息。然而，这更难分析，特别是在播种战略方面。我们提出了有效的，可扩展的算法来确定良好的种子集-初始节点注入的信息。我们的一般方法是减少我们的模型，一类更简单的模型，可证明良好的设置可以构建。通过调整这类更简单的模型，我们为原来更复杂的模型获得了一个很好的种子集。我们称之为\emph{projected greedy approach}，因为您将模型“投影”到一类更简单的模型上，其中贪婪的种子集选择接近最优。我们证明了我们的播种策略的有效性，以及在2007年火灾期间建造的一个现实的圣地亚哥疏散网络的合成图。
2013-02-25 cs.SI physics.soc-ph
Identifying Influential Brokers on Social Media from Social Network Structure
本研究通过对比源头传播者与中心节点，利用三个社交媒体数据集分析特征，发现多数源头传播者并非中介者，且中心节点重叠小，进而提出基于节点嵌入的预测模型，有效识别有影响力的中介者。
2022-08-01 cs.CY cs.SI
Identifying Influential Spreaders of Epidemics on Community Networks
一个有效的战略，以确定有影响力的传播者，可用于控制人口中的流行病将是相当重要的。一般来说，种群的特征在于它的社区结构和社区上的节点之间的弱联系的异质分布。在这里提出了一个社区网络的战略，能够确定有影响力的传播者，加速疾病的传播。在这种策略中，有影响力的传播者作为目标节点。这是基于这样的想法，即在k壳分解中，弱关系和强关系被分开处理。将该策略应用于由在线社交网络构建的经验网络，结果表明该策略比其他策略更准确。它的有效性源于邻居之间的连接模式，并成功地确定了重要的节点。此外，即使网络结构存在错误，该策略的性能也保持稳健。
2016-01-28 cs.SI physics.soc-ph stat.ME
Influential Node Ranking in Complex Information Networks Using A Randomized Dynamics-Sensitive Approach
识别信息网络中最具影响力的节点一直是许多研究的焦点。这个问题在各种情况下都有重要的应用，例如控制病毒或谣言在现实网络中的传播。虽然现有的方法主要依赖于网络的结构特性，并产生静态排名，在这项工作中，我们提出了一种新的方法，是响应扩散动态的任何变化。其主要思想是在一组随机子图中用该节点的其他节点的可达性来近似一个节点的影响能力（影响性）。为此，从原始网络中采样几个随机子图，然后创建一个超图，其中每个子图用一个超边表示。从理论的角度来看，可以认为超图中节点的度的因子近似于影响力。从实证的角度来看，所提出的模型不仅实现了与地面真实排名的最高相关性，而且通过这种方法生成的排名达到了最高水平的唯一性和均匀性。理论和实践分析的运行时间的这种方法也证实了竞争力的运行时间相比，国家的最先进的方法。
2022-08-27 cs.DS cs.SI
Identifying emerging influential Nodes in evolving networks: Exploiting strength of weak nodes
识别网络上未来出现的有影响力或流行的节点/项目是当前研究者的兴趣。以往的研究主要是基于网络结构或节点活动的分离方式来识别时间演化网络中的领导者。在本文中，我们提出了一个混合模型，同时考虑，节点的结构中心性和最近的活动节点在一起。我们认为，当节点在给定的最近时间窗口中接收到更多的链接时，而不是在节点的整个过去的生命周期中，节点是活跃的。此外，我们的模型是灵活的实现结构排名，如PageRank和网页点击信息作为活动的节点。为了测试我们的模型的性能，我们采用PageRank算法和基于线性偏好连接的模型作为基线方法。在三个真实数据集（即Movielens，Netflix和Facebook wall post数据集）上的实验中，我们发现我们的模型在发现过去不受欢迎的新兴有影响力的节点方面表现出更好的性能。
2016-09-06 cs.HC cs.IR cs.SI
Contrastive clustering based on regular equivalence for influential node identification in complex networks
College of Computer and Cyber Security（计算机与网络安全学院）；Chengdu University of Technology（成都理工大学）；School of Artificial Intelligence（人工智能学院）；Jilin University（吉林大学）；School of Computer Science（计算机科学学院）；Fudan University（复旦大学）
针对复杂网络影响力节点识别中监督方法依赖标注、现有对比学习方法局限的问题，提出基于正则等价性的无监督对比聚类框架ReCC，通过结构相似度构建样本对、结合多损失训练，在多个基准上性能超越现有最优方法。
2025-08-30 cs.AI cs.SI
Path diversity improves the identification of influential spreaders
在复杂网络中识别有影响力的传播者是一个具有广泛应用价值的关键问题。基于全局信息的传播者排名方法有$k$ -shell和PageRank等。然而，大多数相关的先前的工作压倒性地集中在传播的路径的数量，而路径是否是足够的多样性通常被忽视。通常，如果一个节点的传播依赖于一条或两条路径，而其他路径都是死胡同，则该节点的传播能力可能不强。在这封信中，我们引入了路径多样性的概念，并发现它可以大大提高排名的准确性。我们进一步提出了一种结合路径数和路径多样性信息的局部方法来识别复杂网络中的影响节点。这种方法被证明是优于许多众所周知的方法在无向和有向网络。此外，我们的方法的效率使得它可以被应用到非常大的系统。
2013-05-31 cs.SI physics.soc-ph
Identifying Influential Nodes Using Overlapping Modularity Vitality
发现网络中有影响力的节点对控制网络中的扩散现象至关重要。在最近的作品中，有一个越来越多的趋势，调查社区结构的作用，以解决这个问题。到目前为止，绝大多数所谓的社区意识的中心性措施依赖于非重叠的社区结构。然而，在诸如社交网络的许多现实世界网络中，社区重叠。换句话说，一个节点可以属于多个社区。为了克服这一缺陷，我们提出并研究了“重叠模块活力”中心性度量。这种扩展的“模块活力”量化社区结构强度的变化时，删除一个节点。它允许基于节点对网络的重叠模块化的贡献将节点识别为集线器或桥接器。一个比较分析，其非重叠版本使用易感-感染-传播（SIR）流行病扩散模型已进行了一组六个现实世界的网络。总体而言，重叠模块化活力优于其替代品。这些结果说明了将知识的重叠社区结构，以有效地识别有影响力的节点的重要性。此外，可以使用多个排名策略，因为这两个措施是有符号的。结果表明，选择具有最大正值或最大绝对中心度值的节点比选择具有最大负值的节点更能有效地传播疫情。
2022-01-30 cs.SI
Uncertainty-Aware Fuzzy Centrality Measures for Influential Node Identification: A Structural Modeling Approach Toward E-Commerce Applications
Shiraz University（设拉子大学）
本文提出一种考虑不确定性的模糊中心性度量，用于识别影响节点，通过结构建模方法应用于电子商务场景。
2026-04-26 cs.SI
Spectral Efficiency Centrality: An Efficient Spectral Approach for Influential Node Identification in Temporal Networks
National Institute of Technology, Srinagar（斯利那加国家技术学院）
针对现有频谱节点移除方法仅适用于静态网络的问题，提出时序频谱中心性框架 SEC 及高效近似方法 ASEC，经多组真实数据集实验验证，二者在三类扩散模型下识别时序网络关键节点的性能优于基线指标。
2026-08-17 cs.SI
Network Growth From Global and Local Influential Nodes
在图论和网络分析中，节点度被定义为一个简单但强大的中心性，用来衡量复杂网络中节点的局部影响力。基于节点度的优先连接模型已被广泛应用于网络增长建模。然而，许多证据表明，真实的网络增长偏离了纯粹的基于度的模型。看来节点度并不是预测新成员加入网络偏好的可靠指标，或者至少，它不能说明整个故事。在本文中，我们认为，有另一个维度的网络增长，我们称之为节点的“核心”。与度度量提供的局部视图相比，新的维度可以洞察节点的全局影响力。我们发现，现有节点吸引新节点的概率一般遵循指数依赖于节点的核心，而在同一时间，遵循幂律依赖于节点度。也就是说，高核心度节点比高度节点在吸引新成员方面更强大。新的维度进一步揭示了网络成长过程中隐藏的一些现象。随着时间的推移，节点度对新成员的吸引力逐渐增大，而核心度的影响力逐渐减小，最终达到一种均衡的增长状态。所有这些理论都在现实世界的网络上得到了验证。
2021-02-22 cs.NI cs.SI physics.soc-ph
Identifying influential nodes in complex networks: Effective distance gravity model
复杂网络中重要节点的识别是一个令人兴奋的增长领域，由于其在疾病控制，社区发现，数据采掘，网络系统控制等各个学科的应用，仅举几例。迄今为止，已经提出了许多措施，这些措施要么是基于节点的局部性，要么是基于网络的全局性。这些度量通常使用基于传统欧氏距离概念的距离，只关注节点之间的局部静态地理距离，而忽略了现实网络中节点之间的交互。然而，为了识别有影响的节点，应该考虑各种因素，例如度、边、方向和权重。一些基于证据理论的方法也被提出。本文提出了一种新颖的基于信息融合和多级处理的有效距离引力模型来识别影响节点。该方法能够综合考虑复杂网络的全局和局部信息，并利用有效距离代替欧氏距离。这使得我们能够充分考虑真实网络的复杂拓扑结构，以及节点之间的动态交互信息。为了验证我们所提出的方法的有效性，我们利用易感感染（SI）模型进行了各种模拟8个不同的现实世界的网络，使用现有的六个众所周知的方法。实验结果表明了该方法的合理性和有效性。
2020-11-12 cs.SI
Identifying influential patents in citation networks using enhanced VoteRank centrality
这项研究提出了一种名为VoteRank的方法，由Zhang et al.（2016）创建，用于识别专利引文网络上的有影响力的节点。此外，提出了改进的VoteRank算法，扩展了Zhang等人的工作。这些新的算法包括一个减少的投票能力的节点所选择的扩频器的影响，如果节点远离扩频器。一种方法使用与距离扩展器的距离成线性关系的缩减因子，我们称之为VoteRank-LRed。另一种方法使用一个关于与扩展器的距离呈指数关系的缩减因子，我们称之为VoteRank-XRed。通过将这些方法应用于引文网络，我们能够证明VoteRank-LRed在测试的引文网络上比原始VoteRank更有效地选择影响力传播者。
2018-11-05 cs.DL cs.SI physics.soc-ph
Influential Node Detection in Implicit Social Networks using Multi-task Gaussian Copula Models
Syracuse University（雪城大学）；Lawrence Livermore National Labs（劳伦斯利弗莫尔国家实验室）；Intel Labs（英特尔实验室）
影响节点检测是社会网络分析的一个核心研究课题。许多现有方法依赖于网络结构完全已知\textit{a priori}的假设。然而，在许多应用中，网络结构无法解释潜在的信息扩散现象。针对网络结构知识不完全的信息扩散分析问题，提出了一种多任务低秩线性影响模型。通过利用传染病之间的关系，我们的方法可以同时预测每个传染病（或主题）的数量（即时间序列预测），并自动识别每个传染病最有影响力的节点。使用合成数据和ISIS twitter数据集对所提出的模型进行了验证。除了显着提高量预测性能，我们表明，所提出的方法可以可靠地推断出最有影响力的用户特定的传染病。
2016-11-30 cs.LG cs.SI stat.ML
Identifying Influential Nodes in Two-mode Data Networks using Formal Concept Analysis
Université du Québec en Outaouais（魁北克大学乌塔韦校区）；HEC Montreal（蒙特利尔高等商学院）
识别双模式网络中的重要参与者（或节点）通常仍然是挖掘，分析和解释现实世界网络的关键挑战。虽然传统的二分中心性指标通常用于识别影响网络信息流的关键节点，但在复杂的情况下，例如具有复杂局部结构的大型网络或缺乏关于网络拓扑和某些属性的完整知识时，它们经常产生不良结果。在本文中，我们介绍了双脸（BF），一个新的二分中心性测量识别的重要节点的双模网络。使用形式概念分析的强大的数学形式主义，BF测量利用概念意图的面来识别具有有影响力的bicliques连通性并且不位于不相关的桥中的节点。与现成的中心性指数不同，它量化了一个节点如何通过bicliques对其相邻节点产生凝聚力子结构影响，而不是通过其不存在无影响力的桥梁而处于网络核心-外围节点。我们在几个真实世界和合成网络上的实验表明，BF的效率超过现有的突出的二分中心性措施，如介数，接近度，特征向量和投票排名等。
2021-09-07 cs.AI cs.SI
CSBA-Net: Learning Cross-Scale Structural Dependencies for Influential Node Identification in Complex Networks
LIRE Laboratory of Constantine 2, University of Mila（米拉大学 LIRE 实验室）；LISI laboratory of Mila, University of Mila（米拉大学 LISI 实验室）
该研究提出CSBA-Net跨尺度结构双向门控循环单元注意力网络，结合多尺度结构表示与特定神经网络架构，在24个真实及12个人工网络上的实验表明其有影响力节点排序性能优于多种基线方法。
2026-10-13 cs.SI
On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks
识别最有影响力的个人可以为开发和部署有效的病毒式营销策略提供宝贵的帮助。以前的研究主要集中在设计有效的算法或算法来找到给定的静态社会网络上的前K个有影响力的节点。然而，事实上，现实世界的社交网络随着时间的推移而不断发展，并且对改变的网络的重新计算不可避免地导致长的运行时间，从而显著影响效率。本文从真实世界的痕迹中观察到，社会网络的演化遵循优先依附规则，影响力节点主要是从高度节点中选择出来的。这样的观察揭示了IncInf的设计，IncInf是一种增量方法，可以根据以前的信息而不是从头开始计算，在不断发展的社交网络中有效地定位前K个有影响力的个人。特别是，IncInf通过将拓扑演化的影响局限于局部区域来定量分析节点的影响扩散变化，并进一步提出了一种剪枝策略，有效地将搜索空间缩小到经历重大增长或度高的节点。我们在真实世界的动态社交网络（包括Facebook、NetHEPT和Flickr）上进行了广泛的实验。实验结果表明，与最先进的静态启发式算法相比，IncInf算法在保持影响扩散匹配性能的同时，在执行时间上实现了高达21倍的加速。
2015-08-05 cs.SI physics.soc-ph
Identification of influencers in complex networks by local information dimensionality
复杂网络中有影响力传播者的识别是网络特性研究中的一个热点问题。已经提出了许多中心性措施来解决这个问题，但大多数都有局限性。提出了一种基于局部信息维数的复杂网络影响者识别方法。该方法考虑了中心节点周围的局部结构特性，因此，局部性的尺度仅增加到距中心节点的最短距离的最大值的一半。因此，该方法考虑了准局部信息，降低了计算复杂性。用Shannon熵来描述盒子中的信息（节点数），更合理。当节点的局部信息维数较高时，节点的影响力更大。为了证明该方法的有效性，使用五种现有的中心性度量作为比较方法，对六个现实世界复杂网络中的有影响力的节点进行排名。此外，一个易感感染（SI）模型和肯德尔的tau系数被用来显示不同方法之间的相关性。实验结果表明了该方法的优越性。
2019-10-06 cs.SI physics.soc-ph
Epidemic Model-based Network Influential Node Ranking Methods: A Ranking Rationality Perspective
影响力节点排序方法（Influential Node Ranking Methods，INRM）的研究主要集中在技术细节上，但对如何验证节点的影响力这一基本问题缺乏深入研究。与级联失效、线性阈值等传统验证模型相比，流行病模型的应用更为广泛。因此，我们对81个基于流行病模型的INRM的初步研究进行了调查，并分析了我们在工作中定义的能力和正确性。本文将INRM使用的网络分为4类，将用于分析网络的INRM分为7类，并从排序合理性的角度定义了评价INRM的能力和正确性两个评价指标集。我们还讨论了用于评估INRM的特定现实网络，以及不同INRM在特定网络中对节点进行排名的能力和正确性。据我们所知，这是第一次旨在系统总结INRM的能力和正确性的调查。我们的研究结果可以帮助从业者和研究人员选择和比较INRM，并确定研究差距。
2023-03-23 cs.SI
Influential Simplices Mining via Simplicial Convolutional Network
Institute of Fundamental and Frontier Studies, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）；Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China（电子科技大学长三角研究院（湖州））；School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院）
针对高阶网络中单纯形影响力难以刻画的问题，提出ISMnet，利用分层二部图、HoH Laplacian和可学习图卷积识别任意阶关键单纯形，排序性能优于现有方法。
2023-07-11 cs.AI cs.SI physics.soc-ph
Leveraging percolation theory to single out influential spreaders in networks
在许多社会、技术和生物系统的无序交互拓扑结构的后果中，一个特别重要的后果是，一些节点，仅仅因为它们在网络中的位置，可能对由复杂交互模式介导的动力学过程产生不成比例的影响。例如，社交网络中意见领袖的早期采用可能会改变商业产品的命运，或者仅仅几个超级传播者就可以决定社交媒体中的病毒式传播。尽管最近的许多努力，制定一个准确的方法，以最佳地确定复杂的网络拓扑结构中的有影响力的节点仍然是一个未解决的挑战。在这里，我们提出了具体的，但高度相关的情况下，易感-感染-删除（SIR）模型的传染病传播的关键问题的精确解。通过利用键渗流和SIR的静态性质之间的映射，我们证明了最近引入的非回溯中心性是在临界状态下识别局部树状网络中有影响力的扩散器的最佳标准。通过对合成网络和一组非常广泛的真实网络的模拟，我们证明了非回溯中心性是一个高度可靠的度量，可以在不嵌入空间的通用图中识别最有影响力的传播者，以及非临界传播。
2016-05-23 cs.SI physics.soc-ph
Centralities of Nodes and Influences of Layers in Large Multiplex Networks
我们制定并提出了一个算法（MultiRank）的节点和层在大型复用网络的排名。MultiRank考虑了数据的全复用网络结构，并利用了网络在节点和层方面的双重性质。层（影响）的中心性和节点的中心性由一组耦合方程确定。其基本思想是为那些从具有高度影响力的层和已经处于中心的节点接收链接的节点分配更多的中心性。如果这些层中高度中心的节点是活跃的，那么这些层的影响力会更大。该算法适用于有向/无向以及加权/非加权复用网络。我们讨论了MultiRank在多重网络数据集的三个主要例子中的应用：欧洲航空运输多重网络，Pierre Auger多重合作网络和FAO多重贸易网络。
2017-03-16 cs.SI physics.soc-ph
Weighted cycle-based identification of influential node groups in complex networks
本文提出加权环（WCycle）指标，融合环结构与边权重识别分散多样的关键节点群，以降低影响力冗余，并在六个真实网络实验中验证其优于五种基准方法的传播效率、结构区分度和成本效益。
2025-03-15 cs.IT cs.SI math.IT
Identifying a set of influential spreaders in complex networks
在复杂网络中识别一组有影响力的传播者对有效的信息传播起着至关重要的作用。一种简单的策略是根据影响力排名方法（例如PageRank、QuantiterRank和$k$ -壳分解）选择排名最高的$r$节点作为传播者。此外，还提出了爬山法、SPIN法、度折扣法和基于独立集的探试法。然而，这些方法存在这样的可能性，即一些传播器如此靠近，以至于它们重叠影响范围或耗时。在这份报告中，我们提出了一个简单而有效的迭代法命名为VoteRank，以确定一组分散的传播者的最佳传播能力。在该方法中，所有节点在每一轮中对一个扩展器进行投票，而被选出的扩展器的邻居节点的投票能力将在随后的轮中降低。在4个真实网络上的实验结果表明，在SIR模型下，VoteRank在传播速度和最终影响规模上均优于传统的基准方法.此外，VoteRank算法在计算时间上也优于其他群体传播者识别方法。
2016-07-18 cs.SI physics.soc-ph
Estimating Shell-Index in a Graph with Local Information
对于网络科学家来说，识别给定网络中有影响力的节点一直是一个有趣的问题。k壳分解方法是一种广泛使用的方法，它根据每个节点的影响力为每个节点分配一个壳索引值。k-shell方法需要网络的全局信息来计算节点的壳指数，这对于大规模的真实动态网络是不可行的。在这项工作中，我们提出了一种方法来估计壳索引的节点使用其本地信息。我们还提出了基于爬山的方法，在少量的步骤中击中排名靠前的节点。我们进一步讨论了一种方法来估计一个节点的秩的基础上提出的估计。
2018-11-23 cs.SI physics.soc-ph
The spreading ability of nodes towards localized targets in complex networks
传播作为复杂网络上的一种重要动力学类型，被广泛应用于传染病传播、信息传播等实际过程的建模。传播研究中最重要的问题之一是对网络中节点的传播能力进行排序。为此，已经做出了大量的努力，并提出了各种有效的方法。这些方法通常将节点的传播能力定义为最终感染节点的数量，假定传播是从节点开始的。然而，在许多实际情况下，如广告和医学科学，传播的目的只是覆盖一组特定的节点。因此，有必要研究复杂网络中节点对局部目标的传播能力。在本文中，我们提出了一个反向的局部路径算法对此问题。仿真结果表明，我们的方法优于现有的方法，在确定有影响力的节点相对于这些本地化的目标。此外，我们的方法确定的有影响力的传播者可以有效地避免在传播过程中感染的非目标节点。
2015-12-17 cs.SI physics.soc-ph
Top-K Influential Nodes in Social Networks: A Game Perspective
Peking University（北京大学）
影响力最大化是病毒式营销的基础，其目标是在一定的传播模型下找到最大影响力传播的顶级$K$种子节点.本文从博弈的角度研究了影响力最大化问题。我们提出了一个协调博弈模型来研究信息传播，在这个模型中，每个个体都根据与网络邻居的协调利益来做出决策。该模型是对现有的多数票模型和线性阈值模型的推广。在广义模型下，研究了影响力最大化的困难性和贪心算法的近似保证。我们还结合了几种策略来加速算法。实验结果表明，经过加速后，该算法的性能明显优于其他算法，比原贪婪算法快了3个数量级。
2020-06-03 cs.AI cs.SI
Finding Top-r Influential Communities under Aggregation Functions
社区搜索是在图中寻找满足某些拓扑约束的内聚和连通子图的问题，例如，度约束。现有的研究大多只关注网络的拓扑结构，而忽略了节点对网络社区的影响。为了解决这个问题，有影响力的社区搜索进一步提出了包括节点的影响力。在有影响力社区搜索问题中，每个节点都有一个权重，即影响力值，来表示其网络影响力。社区的影响力值由聚合函数产生，例如，max、min、avg和sum，对同一社区中的节点的影响值。有影响力社区搜索问题的目标是在满足拓扑约束的情况下找到具有最高影响力值的前r个社区。现有的有影响力的社区搜索的研究有几个局限性：（i）他们只专注于简单的聚合功能，如min，这可能达不到某些要求，在许多现实世界的情况下，（ii）他们对社区的大小没有限制，而大多数现实世界的情况下。这促使我们进行一项新的研究来填补这一空白。我们考虑的问题，确定顶R有影响力的社区，有/没有大小的限制，同时使用更复杂的聚合函数，如总和或平均值。我们给出了一个理论分析，证明了困难的问题，并提出了高效和有效的启发式解决方案，我们的topr有影响力的社区搜索问题。在真实大图上的大量实验表明，我们提出的解决方案比基线解决方案更有效。
2022-07-03 cs.DB cs.SI
A Novel Gravity-Quasi-Laplacian Approach to Identifying Influential Nodes in Complex Networks
School of Electrical and Computer Engineering, Shiraz University（设拉子大学电气与计算机工程学院）
研究针对复杂网络影响节点识别难题，提出结合拟拉普拉斯结构测度与重力启发聚合过程的新框架，无需可调参数，计算高效，实验证明其在精度、分辨率和计算简单性上优于现有技术。
2026-07-28 cs.IR cs.SI
The role of centrality for the identification of influential spreaders in complex networks
网络中最有影响力的传播者的识别对于控制和理解系统的传播能力以及确保有效的信息传播（例如在谣言动态中）是重要的。最近的工作表明，有影响力的传播者的识别是不是独立的动态正在研究。例如，在分析社会传染或谣言传播时，关键的疾病传播者可能不一定是这样。此外，它已被证明，不同的度量（度，核心等）可能会识别不同的影响节点，即使是相同的动态过程，不同程度的准确性。在本文中，我们研究了九个中心性指标如何与构成不同合成和真实世界（空间和非空间）网络的节点的疾病和谣言传播能力相关。我们还提出了一个推广的随机游走可达性作为一个新的中心性措施，并推导出解析表达式，后者的措施，简单的网络配置。研究结果表明，在非空间网络中，$k$ -core和度中心性与传染病传播的相关性最强，而平均邻域度、贴近中心性和可达性与谣言动态的相关性最强.相反，对于空间网络，可达性度量在几乎所有情况下都优于其他中心性度量，无论考虑的是哪种动态。因此，我们分析的一个重要结果是，以前在合成随机网络中进行的研究不能推广到空间网络的情况。
2014-04-17 cs.SI physics.soc-ph
Mining Influential Spreaders in Complex Networks by an Effective Combination of the Degree and K-Shell
针对复杂网络中影响节点识别计算复杂且区分度不足的问题，提出融合节点及邻居k-shell指数与度中心性的方法，在准确性、分辨率和复杂度上优于DNC、NPIC。
2024-05-12 cs.SI
Identifying influential spreaders and efficiently estimating infection numbers in epidemic models: a walk counting approach
我们引入了一种新的方法，有效地近似的感染数量从一个给定的初始感染节点在网络中的易感个体。我们的方法是基于计算网络中每个其他节点的各种长度的可能感染步行的数量。我们分析研究了我们的方法的属性，特别是展示了SIS和SIR疾病传播的不同形式（例如，在SIR模型下，我们的方法计算了自我回避的行走）。与现有的方法来推断网络中不同节点的传播效率（基于度，k壳分解分析和不同的中心性度量）相比，我们的方法直接考虑了传播过程，因此，在提供实际感染数量的估计方面是独一无二的。至关重要的是，在模拟感染在各种现实世界的网络与SIR模型，我们表明，我们的步行为基础的方法提高了推断的有效性节点在广泛的感染率相比，现有的方法。我们还分析了估计精度和计算成本之间的权衡，表明这里仍然可以获得更好的精度在一个可比的计算成本，其他方法。
2012-10-24 cs.SI physics.bio-ph physics.soc-ph
From low resource information extraction to identifying influential nodes in knowledge graphs
提出一种从情报报告构建知识图谱并识别重要实体的流水线，引入少样本细粒度实体抽取新方法，并评估关系抽取错误对中心节点识别的影响，发现该影响因图拓扑结构而异。
2024-01-10 cs.SI
Centrality in Modular Networks
由于网络的广泛应用，如加速信息扩散或阻止病毒传播，识别网络中的有影响力的节点是一个基本问题。多年来，出现了许多基于网络拓扑结构的度量方法来识别有影响力的节点，如介数、接近度和特征值中心性。然而，尽管大多数现实世界的网络都是模块化的，但很少有措施利用这一特性。最近的工作表明，它对网络上的动力学有显着的影响。在模块化网络中，节点有两种类型的影响力：通过其社区内链接的局部影响力（对其社区的节点）和通过其社区间链接的全局影响力（对其他社区中的节点）。根据社区结构的强度，这两个组成部分或多或少都有影响力。基于这一思想，我们提出了扩展所有的标准中心性措施定义的网络没有社区结构的模块化网络。所谓的“模块中心性”是一个二维的向量。它的第一个组件量化了节点在其社区中的局部影响力，而第二个组件量化了其对网络其他社区的全球影响力。为了说明模块中心性扩展的有效性，与标量对应的传染病过程设置进行比较。模拟结果使用易感-感染-被感染（SIR）模型的合成网络与控制的社区结构，可以得到一个清晰的想法社区结构的强度和主要类型的影响（全球/本地）之间的关系。此外，在真实网络上的实验证明了这种方法的优点。
2018-10-12 cs.SI physics.soc-ph
A Composite Centrality Measure for Improved Identification of Influential Users
近年来，识别社交网络用户的传播能力并根据其影响力对其进行排名的问题引起了人们的广泛关注;为此目的，已经提出了不同的方法。这些方法中的大多数依赖于图中节点及其邻居的拓扑位置，以提供估计用户传播能力的度量。其中最著名的测度之一是k-shell，在此基础上又提出了其他测度，但由于同一k-shell指标可能被分配给不同度的节点，因此该测度的准确性较低。本文试图改进这一点，提出了一种复合中心性度量，它结合了节点的度和k壳指数。在各种真实和人工网络上的实验结果和评估表明，该措施优于其他国家的最先进的措施的单调性和准确性。
2021-11-08 cs.SI
Influential spreaders for recurrent epidemics on networks
识别哪些节点是网络上传播过程的最佳种子是一个重要的问题，最近引起了人们的极大兴趣。虽然活动主要集中在非经常性类型的动态，在这里，我们考虑易感-感染-易感（SIS）传播模型的问题，其中在一个节点中播种的爆发可以引发无限的活动雪崩。我们应用Larremore等人提出的网络雪崩理论框架[Phys. Rev. E 85，066131（2012）]，以获得对高于和低于流行阈值的单个节点的传播影响（雪崩持续时间和雪崩大小）的详细定量预测。当该方法与退火网络近似相补充时，我们获得了接近过渡的感兴趣的观测量的完全解析表达式，突出了度中心的作用。这些结果与幂律度分布的合成网络上进行的数值模拟的比较显示，一般在亚临界状态下有很好的一致性，从而留下一些问题，为进一步研究相对于超临界区域。
2020-07-16 cond-mat.stat-mech cs.SI physics.soc-ph
Describing the effect of influential spreaders on the different sectors of Indian market: a complex networks perspective
本研究基于复杂网络分析，提出LIEST指标以区分印度市场各行业在危机期间的正负向影响，揭示了网络动力学的非线性特征。
2022-10-17 cs.SI physics.soc-ph q-fin.CP
