Improving the betweenness centrality of a node by adding links
介数是一个著名的中心性度量，它根据节点在网络最短路径中的参与程度对节点进行排名。在几种情况下，具有高介数可以对节点本身产生积极影响。因此，在本文中，我们考虑的问题，确定多少顶点可以增加其中心性，通过创建一个有限数量的新的边缘事件，特别是，我们研究的问题，最大化一个给定的节点的介数得分-最大介数改进（MBI）-和最大化一个给定的节点的排名-最大排名改进（MRI）。我们表明，MBI不能近似多项式时间内的一个因素$(1-\frac{1}{2e})$和MRI不承认任何多项式时间常数因子近似算法，除非$P=NP$。然后，我们提出了一个简单的贪婪近似算法MBI几乎紧的近似比，我们测试其性能在几个现实世界的网络。我们的实验表明，我们的算法大大增加了介数得分和给定节点蚂蚁的排名，它优于几个竞争基线。为了加快我们的贪心算法的计算速度，我们还提出了一个新的动态算法更新一个节点的介数后，边缘插入，这可能是独立的利益。使用动态算法，我们现在能够在大多数情况下在几秒钟或几分钟内计算出具有$10^5$边的网络上MBI的近似值。
2018-08-01 cs.DS cs.SI
Opinion-Based Centrality in Multiplex Networks: A Convex Optimization Approach
大多数人同时属于几个不同的社交网络，在这些网络中，他们的关系可能是不同的。他们对某些主题有自己的看法，并在这些网络上分享和传播，同时也受到其他人看法的影响。在本文中，我们建立在这一观察，提出了一个新的节点中心性措施复用网络。我们的措施，所谓的意见中心，是基于一个随机模型，代表在这样的网络中的意见传播动态。我们制定了一个优化问题，包括在最大限度地提高整个网络的意见时，控制一个外部的影响，能够单独影响每个节点。我们找到了这个问题的数学封闭形式，并使用它的解决方案，以获得我们的中心性措施。根据意见中心性，越值得投入外部影响力的节点就越具有中心性。我们进行了实证研究，提出了一个玩具网络的中心性，以及收集现实世界的网络。我们的措施一般是负相关的，现有的多重中心性措施，并强调不同类型的节点，根据其定义。
2017-06-09 cs.GT cs.SI physics.soc-ph
Improving information centrality of a node in complex networks by adding edges
增加网络节点的中心性的问题出现在许多实际应用中。在本文中，我们研究了最大化的信息中心度$I_v$的一个给定的节点$v$在网络中的$n$节点和$m$边缘的优化问题，通过创建$k$新的边缘事件$v$。由于$I_v$是$v$与所有节点之间的电阻距离之和$\mathcal{R}_v$的倒数，因此我们可选择地考虑通过添加链接到$v$的$k$新边来最小化$\mathcal{R}_v$的问题。我们证明了目标函数是单调的和超模的。我们提供了一个简单的贪婪算法的近似因子$\left(1-\frac{1}{e}\right)$和$O(n^3)$运行时间。为了加快计算速度，我们还提出了一种算法来计算$\left(1-\frac{1}{e}-ε\right)$近似电阻距离$\mathcal{R}_v$迭代添加$k$边缘后，其运行时间是$\widetilde{O} (mkε^{-2})$的任何$ε>0$，其中$\widetilde{O} (\cdot)$符号抑制了${\rm poly} (\log n)$因素。我们的实验证明了我们所提出的算法的有效性和效率。
2018-04-18 cs.DS cs.SI
On a Centrality Maximization Game
Bonacich中心性是衡量网络中节点相对重要性的一个著名指标。例如，这个概念是Google PageRank算法的核心。在本文中，我们研究了一个网络形成游戏，每个玩家对应于网络中的一个节点形成，可以决定如何重新布线他的m个外链接，旨在最大限度地提高自己的Bonacich中心，这是他的效用函数。我们研究了纳什均衡（NE）和最佳反应动力学的这个游戏，我们提供了一个完整的分类时，m=1和相当完整的分类时，m=2的NE。我们的分析表明，由每个节点执行的中心性最大化倾向于创建无向和断开或松散连接的网络，即2-团（m=1）和环或特殊的“蝴蝶”形图（m=2）。我们的研究结果建立在局部性的最佳反应函数在这样的游戏，我们形式化和证明的文件。
2020-05-06 cs.SI cs.SY eess.SY
Group Centrality Maximization for Large-scale Graphs
节点中心性测度的研究是网络分析的一个重要方面。自然，这样的中心性措施已被推广到组的顶点，流行的措施，它表明，问题的最中心组是$\mathcal{NP}$ -硬。因此，最近引入了最大化组中心性的近似算法。尽管近似线性的运行时间，近似算法的组介数和（在较小程度上）组接近是相当缓慢的大型网络，由于高恒定的开销。这就是为什么我们引入GED-Walk中心性，这是一种受Katz中心性启发的新的子模块组中心性度量。与接近性和中间性相反，它考虑任何长度的行走，而不是最短路径，较短的行走具有较高的贡献。我们定义的算法，（i）有效地近似一个给定的组的GED步行得分和（ii）有效地近似（证明是$\mathcal{NP}$ -硬）的问题，找到一个组的最高GED步行得分。在几个真实数据集上的实验表明，GED-Walk获得的分数提高了常见图挖掘任务的性能，如集体分类和图级分类。经验运行时间的评估表明，最大化GED-步行（近似）是两个数量级快于组介数近似和组大小$\leq 100$一至两个订单快于组接近近似。对于具有数千万条边的图，近似GED Walk最大化通常需要不到一分钟。此外，我们的实验表明，最大化算法的规模与输入图的大小和组的大小线性。
2019-10-30 cs.DS cs.SI
Maximizing spreading in complex networks with risk in node activation
在复杂网络中，初始传播者对信息的广泛传播起着重要的作用。因此，已经提出了各种基于中心性的方法来识别最有影响力的传播者。然而，大多数现有的研究都忽略了这样一个事实，即在真实的社交网络中，说服有影响力的个人担任初始传播者的成本更高，也更难，从而导致最大化传播的高风险。在本文中，我们解决这个问题的基础上的假设，大的程度节点被激活的风险比小度节点。我们的目标是确定有效的初始传播者，以最大限度地传播时，同时考虑激活风险和初始传播者的爆发规模。在随机网络上，分析表明，最优初始传播者的度并不对应于网络中节点的最大度，而是由不同度节点的感染概率和激活风险的差异决定的。在这里，我们提出了一个风险意识的指标来识别真实网络上的有效传播者。数值模拟表明，风险感知度量优于现有的基准中心性，在最大限度地提高有效传播。
2021-04-14 cs.SI physics.soc-ph
Identifying effective multiple spreaders by coloring complex networks
如何识别社交网络中的影响节点具有重要的理论意义，它关系到如何防止传染病传播或连锁故障，如何加速信息的扩散等问题，本文将图论中的着色问题的思想推广到复杂网络中，尝试寻找复杂网络中的\emph{effective multiple spreaders}.在我们的方法中，网络中的每个节点都用一种颜色着色，具有相同颜色的节点被排序到一个独立的集合中。然后，对于一个给定的中心性指数，在一个独立的集合中具有最高中心性的节点被选为多个传播器。与传统的从\emph{entire}网络角度选择中心度最高的节点的方法相比，无论是在网络模型中还是在真实的社交网络中，本文的方法都能更有效地加速传播过程，最大化传播覆盖率.同时，着色算法的低计算复杂度保证了我们的方法的潜在应用。
2014-10-08 cs.SI physics.soc-ph
Network connectivity under a probabilistic node failure model
中心性度量已被广泛应用于识别图中的节点，其移除有效地将图分解为更小的子组件。节点移除过程通常用于测试网络对故障的鲁棒性。大多数现有的研究假设节点删除任务总是成功的。然而，我们认为这种假设是不现实的。实际上，移除过程还应考虑目标节点本身的强度，以更有效和更现实的方式模拟故障场景。与以前的文献不同，本文提出了{ \em概率节点故障模型}，其中节点可以以特定的概率故障，考虑两个变体，即：{ \em Uniform}（其中节点生存到故障的概率是固定的）和{ \em Best Connected}（BC）（其中节点生存概率与它们的度成比例）。为了评估我们的方法，我们考虑五个流行的中心性指标进行实验，比较分析，以评估他们的{ \em有效性}和{ \em覆盖率}，在四个现实世界的图形。有效性和覆盖率是指选择节点的能力，这些节点的删除最大程度地降低了图的连通性。具体来说，图的谱半径减少作为一个代理指标的有效性，和减少的最大连通分量（LCC）的大小是一个参数来评估覆盖。然后将导致最大下降的度量与基准分析（即非概率度中心性节点删除过程）进行比较，以比较两种方法。主要的发现是，通过这种比较出现了显著的差异，无论使用的数据集如何，偏差范围从2%到80%不等，这突出了常见做法与更现实的方法之间存在差距。
2020-06-24 cs.NI cs.SI
A Reputation-Based Model for Decision-Making in Online Social Networks
社会认可的在线交换，包括例如Facebook的“喜欢”，似乎产生了一种稀缺的分配，没有为任何参与者定义明确的效用函数。鉴于用户和广告商对这类数字商品的重视，研究支配其经济的力量是有意义的。在这里，我们提出了一个类似于特征向量中心性的中心性度量来描述个人在在线社交网络中的感知重要性。它表明，在硅片上，战略上最大限度地提高这一声望度量结果在有限的非平凡率的“喜欢”的捐赠。此外，它被发现，系统的声誉寻求代理最强大的支持与现实的人类社会的功能，包括优惠连接和小世界属性的网络。我们的结论是，这里研究的激励系统可以产生现实的行为，因此可以提供一个更一般的模型，在网上社区的决策框架。
2014-09-13 cs.SI physics.soc-ph
On a Network Centrality Maximization Game
研究参与者通过选择有向出边连接以最大化自身 PageRank 中心性的网络形成博弈，证明其为势博弈，刻画了 Nash 均衡条件，并在同质情形下对特定出边数的均衡进行了完整分类，发现该机制会催生无向且非连通或松散连通的网络。
2023-09-11 cs.GT cs.SI cs.SY
Shaping Operations to Attack Robust Terror Networks
安全组织经常试图通过瞄准“高价值目标”（HVT）来破坏恐怖或叛乱网络。然而，有许多例子表明，这种网络如何能够在这种行动后迅速重新产生领导力。在这里，我们介绍了一个“塑造”操作的概念，其中的恐怖主义网络是第一次有针对性的目的，以减少其领导再生能力，然后再针对高价值目标的。我们希望通过删除节点来最大化网络范围的度中心性来进行整形。我们正式定义了这个问题，并证明了解决它是NP完全的。我们引入了一个混合整数线性规划，解决了这个问题，以及贪婪的启发式更实际的使用。我们实施了贪婪启发式，并在检查五个真实世界的恐怖分子网络时发现，仅删除12%的节点就可以将网络范围的中心度提高17%至45%。我们还表明，我们的算法可以扩展到大型社交网络的1,133个节点和5,541条边的商品硬件。
2012-11-04 cs.SI physics.soc-ph
Computational Models for Commercial Advertisements in Social Networks
识别网络中值得注意的传播者对于理解传播过程和控制网络中传播的范围至关重要。拥有更多内在力量来扩大传播范围的节点非常重要，因为需要各种应用程序，例如病毒式营销，控制谣言传播或更好地了解疾病的传播。作为病毒式营销的一种应用，在固定预算的情况下实现最大化是广告业务的基本要求。分发固定数量的促销物品以最大化病毒覆盖范围可以利用影响者检测方法。为了检测这样的“影响者”节点，存在诸如度中心性（通常用作度内中心性）的局部度量或诸如k壳分解或特征向量中心性的全局度量。所有的方法都可以对图进行排序，但它们都有局限性，并且仍然没有事实上的方法用于该领域的影响者检测。在本文中，我们提出了一个扩展的k-shell算法，更好地利用k-shell分解识别病毒传播节点使用网络的拓扑特征。我们使用易感-感染-传播模型对真实网络中的传播过程进行了模拟，模拟结果表明，在相同的初始传播者数量下，我们的方法可以在同一网络中达到高达36%的人群。
2019-04-30 cs.SI physics.soc-ph
Generalized Louvain Method for Community Detection in Large Networks
在本文中，我们提出了一种新的策略，发现社区结构（可能是大型）网络。这种方法是基于众所周知的网络模块化优化的概念。要做到这一点，我们的算法利用了一种新的措施的边缘中心，基于k路径。这种技术允许在接近线性时间内有效地计算大型网络中的边缘排名。一旦计算出中心性排名，该算法就计算网络节点之间的成对接近度。最后，它发现了社区结构，采用了著名的最先进的鲁汶方法（以下简称LM）的启发策略，有效地最大化网络模块化。我们进行的实验表明，我们的算法优于其他技术，并略有改善原始LM的结果，提供可靠的结果。另一个优点是，它的采用自然地扩展到甚至未加权的网络，与LM不同。
2012-02-10 cs.SI physics.soc-ph
Information Coverage Maximization in Social Networks
社交网络由于其流行性，近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关，其目的是选择一组种子节点，以使过程结束时的活动节点的预期数量最大化。然而，主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时，节点可以被通知该信息，尽管该节点（即被通知的节点）仍然是不活跃的。因此，在研究网络中信息传播的覆盖时，需要同时考虑主动节点和知道信息的知情节点。沿着这条线，在本文中，我们提出了一个新的问题，称为信息覆盖最大化，旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后，我们设计了两个算法来解决该问题，并在三个真实数据集上进行了大量的实验，验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
Using Node Centrality and Optimal Control to Maximize Information Diffusion in Social Networks
Indian Institute of Science（印度科学学院）
本文研究如何通过节点中心性与最优控制策略优化信息在社交网络中的扩散，比较不同中心性指标的效果，并验证在资源有限时优先选择中心节点的策略。
2016-03-12 cs.MA cs.SI cs.SY
Effective spreading from multiple leaders identified by percolation in social networks
社交网络是信息传播的一个新平台，但它的成功关键取决于发起信息传播的传播者的选择。在本文中，我们删除边缘在网络中随机和网络段成孤立的集群。然后，每个集群中最重要的节点形成一组有影响力的传播者，这样从他们传播的新闻将导致广泛的覆盖和最小的冗余。该方法很好地利用了每个社会聚类中信息传播的预传播状态和覆盖范围之间的相似性，得到一组分布式、协调的传播者。我们在Facebook网络上的测试表明，该方法优于传统的基于中心性的方法。因此，所建议的识别有影响力的传播者的方法揭示了社交网络上信息传播的新范式。
2015-08-18 cs.SI physics.soc-ph
Temporal Graphs and Temporal Network Characteristics for Bio-Inspired Networks During Optimization
时序网络分析和网络特性的时间演化是描述动态网络拓扑变化的有力工具。本文使用这样的方法，以更好地可视化，并提供分析措施的性能变化，我们观察到的Voronoi型的空间覆盖，特别是时间演变的网络与部署的无线传感器的数量不断变化的例子。具体来说，我们的分析侧重于不可穿透的障碍物和环境噪声的不同组合在连通性和整体网络结构中的作用。它示出了如何使用（i）时间网络图，和（ii）网络中心性和规律性的措施说明了各种选项之间的差异开发的平衡行为的能量和时间效率在网络覆盖范围。最后，我们将这些措施的结果与不太抽象的分类变量进行比较，例如覆盖面积百分比和累计行驶距离。
2021-10-01 cs.MA cs.SI
Edge interventions can mitigate demographic and prestige disparities in the Computer Science coauthorship network
University of Colorado Boulder（科罗拉多大学博尔德分校）；Haverford College（哈弗福德学院）；The University of Utah（犹他大学）
研究通过模拟边缘干预，将目标研究人员与高排名机构的研究者连接，提高了其在合著网络中的中心性，从而缓解了基于人口统计和机构声望的不平等。
2026-06-25 cs.CY cs.SI physics.soc-ph
Fast influencers in complex networks
复杂网络中的影响节点通常被定义为使感兴趣的传播过程的渐近到达最大化的那些节点。然而，对于实际应用，如病毒式营销和在线信息传播，人们通常对在短时间内最大化该过程的影响范围感兴趣。传统的影响者定义在网络相关的研究从不同的研究领域缩小了重点的后期状态的传播过程中，留下了以下问题没有解决：哪些节点能够启动大规模的传播过程，在有限的时间？在这里，我们发现节点之间存在根本区别-我们称之为“快速影响者”-在短时间内启动最大范围的过程，以及传统的“后期”影响者。在这一观察的刺激下，我们提供了一个广泛的中心性指标基准，以确定快速和后期影响者的能力。我们发现，本地网络属性可以用来发现快速的影响者。特别是，对于所有分析的经验网络，一个简约的局部中心性度量（我们称之为社会资本）在快速影响者识别中实现了最佳或接近最佳的性能。本地指标在传统的后期影响者识别任务中也具有竞争力。
2019-03-15 cs.CY cs.SI physics.soc-ph
