Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用，包括推断个人在社交网络中的影响力或成功，以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性，但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而，当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性，我们集中在本文的程度中心性。我们开发了一种方法，调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明，建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是，我们的分析表明，在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势，充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义，需要预测的应用程序，一个节点的未来度中心，以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
A degree centrality in multi-layered social network
多层社交网络反映了现代互联IT系统中存在的复杂关系。在这样的网络中，每对节点可以由对应于不同通信或协作用户活动的许多边链接。提出了多层社交网络的多层度中心性。从真实的Web 2.0网站收集的数据进行了实验研究。从这些数据中提取的多层社会网络由十个不同的层组成，并对不同程度的中心性进行了网络分析。
2012-10-18 cs.SI physics.soc-ph
The socialisation of the adolescent who carries out team sports: a transversal study of centrality with a social network analysis
本研究分析了235名青少年在团体运动中的体力活动、超重及社会网络中心性，发现存在显著性别差异，强调了性别和中心性在未来策略设计中的重要性。
2024-02-14 cs.CY cs.SI physics.soc-ph
An Analysis of Centrality Measures for Complex and Social Networks
复杂网络分析的度量，如顶点中心性，有可能揭示现有的网络模式和行为。它们有助于通过分析网络及其组件的结构特性来理解网络及其组件，这使得它们在几个计算机科学领域和应用中非常有用。不幸的是，有大量的不同的中心性措施，很少有人知道他们在实践中的共同特点。通过实证分析，我们的目的是在一个清晰的了解主要的中心性措施，揭示他们的相似性和差异，在大量的不同社交网络。我们的实验表明，顶点中心性的措施，称为信息，特征向量，子图，步行介数和介数可以区分顶点在各种网络的粒度性能在95%，而其他指标取得了相当低的结果。此外，我们证明了几对度量以非常相似的方式评估顶点，即它们的相关系数值都在0.7以上。这是出乎意料的，考虑到每个指标都有一个非常独特的理论和算法基础。因此，我们的工作有助于发展一种有原则的网络分析和评估的方法。
2018-11-04 cs.SI physics.soc-ph
A Novel Measure of Edge Centrality in Social Networks
在过去的几年里，图中的节点和边的中心性值的分配问题得到了广泛的研究。最近，已经提出了一种新的节点中心性度量，称为k路径中心性指数，它是基于网络内的消息沿着至多k条边组成的路径传播。另一方面，自20世纪70年代以来，Anthonisse以及随后的Girvan和Newman已经证明了计算边缘中心性的重要性。在这项工作中，我们提出了广义的k-路径中心性的概念，通过定义的k-路径边缘中心性，一个衡量的中心性引入计算边缘的重要性。我们提供了一个有效的算法，运行在O（k m），是m在图中的边缘数。因此，我们的技术是可行的大规模网络分析。最后，我们的算法的性能进行了分析，讨论对大型在线社交网络数据集所获得的结果。
2013-03-07 cs.DS cs.SI physics.soc-ph
Centrality Measures: A Tool to Identify Key Actors in Social Networks
来自多个学科的专家已经广泛使用中心性度量来分析大型和复杂的网络。这些度量通过量化节点/边的重要性的概念来对网络中的节点/边进行排名。排名有助于确定网络中的重要和关键行为者。在本章中，我们总结了一些广泛应用于挖掘社交网络数据的中心性措施。我们还讨论了与这些措施有关的各种研究方向。
2020-11-03 cs.SI
Limited Attention and Centrality in Social Networks
如何在在线社交网络中找到重要或有影响力的人？研究人员已经提出了各种中心性度量方法来识别那些经常被随机游走访问的个体，感染流行病的个体，或者从朋友那里收到很多信息的个体。最近的研究表明，社交媒体用户响应传入消息的能力受到他们有限注意力的限制，他们将注意力分散在所有传入信息上，即，他们关注的用户发送的信息。我们提出了一种新的中心性测度-Bonacich的Alpha中心性的有限注意版本-模型有限注意对流行病扩散的影响。新的度量描述了一个过程，在这个过程中，节点向它们的外邻居广播消息，但是邻居接收消息的能力取决于它们拥有的内邻居的数量。我们评估建议的措施在现实世界中的在线社交网络，并表明它可以更好地再现经验的影响力排名的用户比其他流行的中心性措施。
2013-03-18 cs.CY cs.SI physics.soc-ph
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
Dynamic Laplace: Efficient Centrality Measure for Weighted or Unweighted Evolving Networks
社会网络分析（SNA）起源于社会学，迅速出现并传播到其他研究领域，包括人类学、生物学、信息科学、组织研究、政治学和计算机科学。由于社会网络分析的目的是通过网络和图论来研究社会结构，因此它是当今几个领域中的一个重要研究领域。社会网络分析处理不同的问题，即网络度量，模型，可视化和信息传播，每一个都有几种方法，方法和算法。社会网络分析的关键领域之一涉及不同中心性度量的计算（即：图中最重要的顶点）。如今，挑战是如何快速有效地做到这一点，因为有越来越多的数据集可用。最近，需要将这种中心性算法应用于非静态网络（即：随着时间的推移而发展的网络）也是一个新的挑战。中心性度量的增量和动态版本开始出现（介数，接近度等）。我们的贡献是两个增量版本的拉普拉斯中心性措施的建议，不仅可以应用于大型图形，但也加权或不加权，动态变化的网络。实验评估进行了几次测试，在不同类型的不断发展的网络，增量或完全动态。结果表明，我们的增量版本的算法可以计算节点的中心在大型网络，更快，更有效地比相应的批处理版本在增量和全动态网络设置。
2018-08-08 cs.SI physics.soc-ph
Social Centrality using Network Hierarchy and Community Structure
已经制定了几个中心性措施，以量化社交网络中的行为者的“重要性”的概念。目前的措施审查本地或全球的节点连接，并已被发现是不够的社交网络。忽视等级制度和社区结构，这是所有人类社交网络固有的，是这种不足的主要原因。一个行动者在社区中的地位等级和嵌入性是他重要性的直观决定因素。社会资本理论认为，一个行动者的重要性来自于他在网络等级中的地位，以及通过社区内（结合）和社区间（桥接）联系调动资源的潜力。受此启发，我们提出了一个新的中心性措施SC（社会中心性）的演员在社交网络。我们的措施占- i）一个人的社会化倾向，和ii）他在社区内外的联系。这两个因素被适当地聚合以产生社会中心性分数。SC措施与经典和最近的中心性措施，使用大型公共网络的比较分析表明，它始终产生一个更现实的节点排名。推理基于每个测试网络的可用地面实况。广泛的分析排名提供的SC措施和映射与已知的事实在研究网络证明其有效性在不同的社交网络。SC措施的可扩展性评估证明其有效性，为现实世界的大型网络。
2018-06-23 cs.SI
Comparing Community-aware Centrality Measures in Online Social Networks
识别关键节点对于加速或阻止网络中的动态传播至关重要。社区感知的中心性措施通过利用网络的社区结构来解决这个问题。虽然设计新的社区意识中心措施的趋势日益明显，但对拟议措施的有效性没有进行系统的调查。本研究进行了广泛的比较评估突出的社区意识的中心性措施，使用易感-感染-传播（SIR）模型在现实世界的在线社交网络。总体而言，结果表明，K壳与社区和社区为基础的中心性措施是最准确的识别有影响力的节点下，一个单一的传播问题。此外，流行病传播率对社区感知中心性指标的行为没有显著影响。
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
Achieving Consensus with Individual Centrality Approach
本文提出了一种新的参与式决策的共识模型。该模型采用建议中心的方法，通过选举一个领导者和推荐者命名为Supra决策者（SDM）。可持续发展机制可作为其他决策者的决策基准，根据给定标准评估每一种备选办法。通过考虑SDM与其他决策者之间的共识水平和偏好距离，可以得到每个方案的权重值。当决策没有达到所需的共识水平时，使用社会判断计划（SJS）概念的社会功能。一个简单的例子来说明我们的模型。关键词：一致性，群体决策，中心性，超决策者，社会判断模式
2012-03-26 cs.SI physics.soc-ph
Power indices of influence games and new centrality measures for social networks
在社会网络分析中，有一种普遍的看法，即影响力与决定社会的全球行为有关，因此它可以用来通过针对适当的初始个体集来加强合作，或者分析全球选择过程。在这里，我们提出了中心性的措施，可以用来分析相关的影响力传播过程中的演员的相关性。在[39]中，它被认为是一个多智能体系统，其中智能体渴望根据对其他个体执行任务的意愿的感知来执行集体任务。该设置使用称为影响力游戏的简单游戏的概念建模。这些游戏是在图上定义的，其中节点由其影响力阈值标记，节点之间的影响力传播用于确定联盟是否获胜。影响力博弈提供了通过经典的权力指数来衡量社会网络中参与者的重要性的工具，并提供了一个考虑新的中心性标准的框架。在本文中，我们考虑了两个最经典的幂指数，即，Banzhaf和Shapley-Shubik指数作为影响力博弈中社交网络的中心性度量。虽然有一些工作与博弈论网络的特定场景相关，但在这里，我们使用这些指数作为任何社交网络中的中心性度量，其中可以应用影响力传播现象。此外，我们定义了新的中心性度量，如满意度和努力度，据我们所知，到目前为止还没有考虑过。我们还进行了比较的建议措施与其他三个经典的中心性措施，度，接近度和介数，考虑三个社交网络。我们表明，在某些情况下，我们的测量提供类似于其他措施的中心层次结构，而在其他情况下，提供不同的层次结构。
2013-06-28 cs.GT cs.SI physics.soc-ph
SoReC: A Social-Relation Based Centrality Measure in Mobile Social Networks
近年来，移动社交网络（MSN）一直在发展并使能各个领域。移动边缘计算、缓存和设备到设备通信的最新进展可能会对5G系统产生重大影响。在这些情况下，确定中心用户至关重要。它可以为设计和部署各种服务和应用程序提供重要的见解。然而，它是具有挑战性的评估节点的中心性的MSN与动态环境。在本文中，我们提出了一个基于社会关系的中心性（SoReC）的措施，其中社会网络信息被用来量化每个用户在MSN的影响力。我们首先引入了一个新的度量来估计用户之间的直接社会关系，通过直接接触，然后扩展的度量来探索用户之间的间接社会关系的第三方桥接。基于直接和间接的社会关系，我们发现用户的影响范围，并量化他们在网络中的影响力。在真实网络上的仿真结果表明，该方法可以很好地识别出MSN中未来有影响力的用户。
2019-03-01 cs.SI
Judging a Book by Its Cover: The Effect of Facial Perception on Centrality in Social Networks
在社交网络中，容貌很重要。人们经常根据面部线索做出特征判断。虽然这些基于面部的印象缺乏证据来确定有效性，但它们至关重要，因为它们可能与基于人类网络的社会行为有关，例如寻求某些人的帮助，建议，约会和合作，因此它们可能与社交网络中的中心性有关。然而，几乎没有工作已经调查了明显的面部特征，影响网络中心性，尽管有大量的研究，包括个性和行为的中心位置的归因。在本文中，我们研究是否感知特征的基础上，面部外观影响网络中心性，探索社会网络形成的初始阶段，在一年级的大学住宅区。我们拍摄了居住在同一住宅区的新生参与者的脸部照片，并要求他们提名链接到不同网络的社区成员。然后，我们通过要求其他参与者对面部图像的三个主要属性进行评级来收集面部感知数据：支配力，可信度和吸引力。同时，我们提出了一个框架，以发现如何面部外观影响社交网络。我们的研究结果表明，感知的面部特征与网络中心性相关，并且它们对预测不同网络中的人的中心性具有指示性。我们的研究结果提供了关于面孔和网络中心性之间相互作用的心理学证据。我们的研究结果还为心理和社会网络技术的结合提供了见解，他们强调了面部偏见在提示和信号社会特征中的作用。据我们所知，我们是第一个探索面部感知对社交网络中心性的影响。
2020-08-09 cs.SI
Supervised centrality via sparse network influence regression: an application to the 2021 Henan floods' social network
本文针对2021年河南洪灾微博数据，提出监督中心性概念和稀疏网络影响回归方法，并开发前向添加算法以高效识别有影响力的用户。
2024-12-28 cs.SI physics.soc-ph stat.ME
Sinkless: A Preliminary Study of Stress Propagation in Group Project Social Networks using a Variant of the Abelian Sandpile Model
我们进行社会网络分析的53名学生分为三个学期和13组，使用传统的措施，如特征向量中心性，中间中心性，度中心性，以及定义一个变体的阿贝尔沙堆模型（ASM）的意图建模压力传播在大学课堂上。我们将这些分析的结果与收到的小组项目成绩相关联;由于数据集较小或收集不佳，我们无法得出任何这些网络措施与这些成绩相关的结论。然而，我们成功地使用这个数据集来定义一个离散的，递归的，更广义的ASM变体。阿贝尔沙堆模型，大学成绩，自组织临界性，不沉沙堆模型，社会网络分析，压力传播
2013-11-22 cs.SI physics.soc-ph
Identifying high betweenness centrality nodes in large social networks
本文提出了一种新的方法来识别具有高介数中心性的节点。它引入了一个新的度量，k-路径中心性，和一个随机算法估计它，经验表明，高k-路径中心性的节点具有高节点介数中心性。随机算法在时间上运行$O(κ^{3}n^{2-2α}\log n)$，并且对于每个顶点v，输出其k路径中心性的估计，直到具有概率$1-1/n^2$的$\pm n^{1/2+ α}$的加性误差。在真实和合成社交网络上的实验评估表明，与现有的随机算法相比，该算法在检测高介数中心节点方面提高了准确性，并显着减少了执行时间。
2017-02-22 cs.DS cs.SI
Centrality-Weighted Opinion Dynamics: Disagreement and Social Network Partition
本文提出了一个基于社会网络结构和网络中心性的网络舆论动力学模型。该模型的概念新颖之处在于，在表征社交网络上的意见传播时，每个人的意见都被相关的网络中心性加权。在度中心加权的意见动态模型，我们提供了一个算法，任何图的节点划分成两个和多个集群的意见分歧的基础上。最后，将该划分算法应用于现实社交网络，包括Zachary karate club网络[1]和southern woman网络[2]，这些应用实例间接验证了度中心加权意见动力学模型的有效性.最后，建立了一般的中心加权意见动力学模型的性质。
2021-04-08 cs.SI cs.SY eess.SY
The position value as a centrality measure in social networks
Meessen（1988）提出的位置值是合作博弈的一个解的概念，其中分配给一个局中人的值取决于他与其他局中人之间的联系或链接的值。Borm等人（1992年）研究了这一概念，Slikker（2005年）对其进行了表征。在本文中，我们分析的位置值的角度来看，在社会网络的中心性的措施的典型属性。我们扩展了Gomez等人（2003）对Myerson中心性测度的分析，其中增加或删除边的端节点中心性的对称效应是其特征的基本部分。然而，与迈尔森中心性度量不同，位置中心性度量以更通用的方式对这种添加或删除做出响应。在研究了上述性质之后，我们将重点分析和刻画当底层博弈是依恋博弈时，由位置值给出的位置依恋中心性。与Skibski等人（2019）引入的附件中心性进行了一些比较。
2023-03-01 cs.SI
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
Lurking in Social Networks: Topology-based Analysis and Ranking Methods
在线社区中大量存在的沉默成员，即所谓的潜伏者，长期以来一直吸引着社会科学、认知心理学和人机交互研究人员的注意。然而，对潜在现象的研究为数据采掘、信息检索及相关领域的研究提供了一个尚未开发的机会。在本文中，我们采取的第一步正式规范和分析潜伏在社交网络。我们解决了潜伏者排名的新问题，并提出了第一个专门为社交网络中的潜伏者排名而设计的中心性方法。我们的方法只利用网络拓扑结构，而不探讨与媒体相关的文本内容或用户关系。使用Twitter，Flickr，Google Feed和GooglePlus作为案例，我们的方法的性能针对数据驱动的排名以及现有的中心性方法进行了评估，包括经典的PageRank和alpha中心性。经验证据表明，我们的潜伏者排名方法的重要性，以及它在有效识别和排名在线社交网络中的潜伏者方面的独特性。
2014-09-16 cs.SI physics.soc-ph
On Local and Global Centrality in Large Scale Networks
估计包括但不限于社交网络、生物网络、通信网络、新兴智能电网等的大规模网络中的有影响力的节点是基本感兴趣的主题。为了理解网络中节点的影响，一个经典的度量是中心性，其中有多个特定的实例，包括度中心性，接近中心性，介数中心性等等。到目前为止，识别具有高中心性度量的节点的现有算法在整个（或者更确切地说全局）网络上操作，导致高计算复杂性。在本文中，我们设计了有效的算法来确定介数中心在大规模网络的优势，这些大规模网络所表现出的模块化拓扑结构。简单地说，模块化拓扑是指整个网络似乎被划分为不同的模块（或集群或社区），其中模块内的节点（可能共享高度相似的配置文件）之间具有密集的连接，而跨模块的连接相对稀疏。使用一种新的适应Dijkstra的最短路径算法，并执行它在本地模块和模块之间的稀疏边缘，我们设计的算法，可以正确地计算介数中心比现有的算法快得多。据我们所知，我们是第一个利用大规模网络的模块化拓扑来解决中心性问题的工作，尽管这里我们主要将讨论限制在社交网络上。我们还提供了更多关于中心性的见解，以及我们的算法如何用于确定其他中心性度量。
2014-06-11 cs.SI physics.soc-ph
Analysing Health Misinformation with Advanced Centrality Metrics in Online Social Networks
针对在线社交网络中健康错误信息传播的复杂性，本研究提出动态影响力中心性、脆弱性中心性和传播中心性三种新指标，结合FibVID和Monant数据集验证，发现新旧指标结合能更有效识别关键节点并提升干预效果。
2025-07-11 cs.IR cs.SI physics.soc-ph
Why distinctiveness centrality is distinctive
本文回应了Neal对Distinctiveness centrality指标的评论，通过全面分析其与Beta和Gamma测度在不同参数及网络拓扑下的相关性，验证了该指标作为社交网络分析替代或补充指标的可行性，并提供了计算复杂性分析与简化R代码。
2024-11-16 cs.SI physics.soc-ph
Evolutionary Centrality and Maximal Cliques in Mobile Social Networks
本文介绍了一种进化的方法，以提高在移动网络中找到中心节点的过程。这可以在移动和社交网络中提供基本信息和重要应用。这种进化方法考虑了网络的动态特性，并考虑了先前时隙的中心节点。我们还研究了最大团算法在移动社交网络中的适用性，以及如何使用它来找到基于发现的最大团的中心节点。实验结果是有希望的，并显示在寻找中心节点的显着增强。
2018-09-07 cs.NI cs.SI
Leveraging Peer Centrality in the Design of Socially-Informed Peer-to-Peer Systems
社交应用程序挖掘用户社交图谱，以提高搜索性能，提供推荐，允许资源共享并提高数据隐私。当这样的应用在对等（P2P）架构上实现时，社交图分布在P2P系统上：社交图的遍历转化为对等层中的社交通知路由。在这项工作中，我们介绍了模型的投影图，这是分散的社交图到对等网络的结果。我们专注于三个社会网络指标：度，节点介数和边缘介数中心性和分析制定的社会图和投影图中的指标之间的关系。通过对真实网络的实验评估，我们证明了当映射用户社区的大小高达50-150个用户在每个对等体上时，社交图的属性与投影图之间的关联性很高，因此（动态）投影图的属性可以从（变化较慢的）社交图的属性中推断出来。此外，我们展示了两个应用场景上的大规模社交网络的可用性的投影图在设计社会化搜索应用程序和非结构化P2P覆盖。
2012-10-22 cs.DC cs.SI
Stability of Local Information based Centrality Measurements under Degree Preserving Randomizations
节点中心性是网络分析中不可或缺的度量之一，具有广泛的应用范围，从社会经济到个性化推荐。我们认为，一个有效的中心性措施，即使在网络中引入的信息丢失或噪声进行稳定。利用6个基于局部信息的中心性度量，研究了在保持度分布不变的情况下，改变节点的重复性对指数分布和无标度分布网络的影响.该模型为研究中心性度量的稳定性提供了一个新的视角，可以进一步应用于社会科学、生物学、信息科学、社区发现等领域。
2018-12-30 cs.SI physics.soc-ph
Beyond network centrality: Individual-level behavioral traits for predicting information superspreaders in social media
本研究提出一种基于网络的非线性算法，结合影响力和易感性两个个体行为特征，超越网络中心性，有效预测社交媒体中的信息超级传播者，并在Twitter和微博数据上验证了其有效性。
2024-03-17 cs.SI
Novel Machine Learning Algorithms for Centrality and Cliques Detection in Youtube Social Networks
School of Engineering and Computer Science, Morehead State University（莫尔黑德州立大学工程与计算机科学学院）
本研究项目的目标是使用机器学习技术来分析社交网络的动态，以定位最大的集团，并找到集群，以确定目标人口。在这个项目中，设计并实现了无监督的机器学习技术来分析来自YouTube的数据集，以发现社交网络中的社区并找到中心节点。实现了不同的聚类算法并应用于YouTube数据集。著名的Bron-Kerbosch算法有效地用于本研究中找到最大团。从这项研究中获得的结果可以用于广告目的和构建智能推荐系统。所有算法均使用Python程序设计语言实现。实验结果表明，我们能够成功地找到中心节点，通过中心中心度和度中心度。通过利用集团检测算法，该研究展示了机器学习算法如何在更大的网络中检测紧密联系的群体。
2020-02-10 cs.LG cs.SI stat.ML
Nodes having a major influence to break cooperation define a novel centrality measure: game centrality
合作在生物体的自组织和进化中发挥着重要作用。网络拓扑结构和合作者的初始位置都对社会困境博弈的合作有重要影响。我们开发了一种新的模拟程序包，称为“网络游戏”，它能够模拟任何类型的社会困境游戏的任何模型，或现实世界的网络与任何分配的初始合作或叛逃策略的网络节点。最初背叛单个节点以破坏整体合作的能力被称为“游戏中心性”。这一措施的效率在众所周知的社交网络上得到了验证，并被扩展到“蛋白质游戏”，即模拟蛋白质或其氨基酸之间的合作。酵母蛋白质相互作用网络的枢纽，特别是党枢纽有很大的影响，以转换其他节点的合作，以背叛。对甲硫氨酰-tRNA合成酶蛋白质结构网络的模拟表明，属于蛋白质内信号通路的节点对破坏合作的影响增加。在社会两难博弈中，单个初始背叛节点将其他节点的合作转化为背叛的效率可能是预测节点在复杂系统整合和调控中重要性的重要度量。游戏中心性可能有助于设计对细胞网络（以药物的形式）、生态系统和社交网络更有效的干预措施。网络游戏算法可以从这里下载：www.NetworGame.linkgroup.hu
2013-06-30 cs.GT cs.SI nlin.AO
Message passing optimization of Harmonic Influence Centrality
Politecnico di Torino（都灵理工大学）；University of Twente（特温特大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种新的社交网络节点中心性度量方法——谐波影响中心性，通过社交网络中的影响研究自然产生。引入分布式消息传递算法计算每个节点的谐波影响中心性，尽管其设计基于无环网络的理论结果，但也能成功应用于一般图。
2014-01-15 cs.SI cs.SY eess.SY
Detecting Bots and Assessing Their Impact in Social Networks
在线社交网络经常受到恶意行为者通过使用被称为机器人的自动账户进行的影响活动。我们考虑的问题，检测机器人在线社交网络和评估其对个人的意见的影响。我们首先分析机器人在社交网络中的行为，并确定它们表现出异质性，这意味着它们与人类的互动比其他机器人更多。我们使用这个属性来开发一个检测算法的基础上伊辛模型从统计物理。机器人通过解决最小割问题来识别。我们表明，这种伊辛模型算法可以识别机器人具有更高的准确性，同时利用更少的数据比其他国家的最先进的方法。然后，我们开发了一个函数，我们称之为广义谐波影响中心性，以估计机器人对社交网络中用户意见的影响。该函数基于广义意见动力学模型，并捕捉机器人的活动水平和网络连接如何改变平衡意见。为了将广义调和影响中心性应用于真实的社交网络，我们开发了一个深度神经网络来基于用户的社交网络帖子来测量用户的意见。使用这个神经网络，我们然后计算机器人在多个真实的社交网络的广义谐波影响中心。对于一些网络，我们发现有限数量的机器人可以导致人口观点的重大变化。在其他网络中，我们发现机器人几乎没有影响。总的来说，我们发现广义谐波影响中心是一个有用的操作工具来衡量机器人在社交网络的影响。
2020-12-16 cs.SI physics.soc-ph stat.AP
Forecasting managerial turnover through e-mail based social network analysis
本研究提出一种基于电子邮件社会网络分析的方法来比较主动离职和决定留任的管理者的沟通行为。收集了18个月的电子邮件，我们分析了866名经理的沟通行为，其中111人离开了一家大型全球服务公司。我们通过计算社交网络指标（如介数和接近中心性）和内容分析指标（如情感性和所用语言的复杂性）来比较沟通模式的差异。为了研究管理者脱离的出现，我们根据所检查的电子邮件数据的时间进行了区分。我们观察了经理离职前第5个月和第4个月的沟通情况，发现他们的网络结构和语言使用都有显著变化。研究结果表明，平均而言，辞职的管理者有较低的亲密中心性和较少的参与对话。此外，选择辞职的经理人倾向于从离职前5个月开始改变他们的沟通行为，增加他们的程度和亲密中心性，他们的语言的复杂性，以及他们在中间中心性和他们需要发送给同事的“轻推”的数量的振荡。
2021-05-19 cs.CL cs.SI physics.soc-ph
Fast Approximation of Centrality
社会研究的研究人员使用图形来模拟社交网络中的群体活动。在这种情况下，一个重要的属性是顶点的中心性：到每个其他顶点的平均距离的倒数。我们描述了一个加权图中心度的随机近似算法。对于表现出小世界现象的图，我们的方法估计在近线性时间内所有顶点的中心性具有高概率在（1+ 1）因子内。
2000-09-13 cond-mat.dis-nn cs.DS cs.SI
Trip Centrality: walking on a temporal multiplex with non-instantaneous link travel time
在复杂网络中，中心性度量量化了节点的连通性，并确定了信号传输中最重要的节点。在许多现实世界的网络中，特别是在交通系统中，链路是动态的，即它们的存在依赖于时间，并且在两个节点之间旅行需要非零时间。此外，许多网络被构造在若干层上，例如，不同的运输方式或服务提供商。时间概括的中心性指标的基础上步行计数，如卡茨中心性，存在，但他们不占非零链路的旅行时间和多路复用结构。我们提出了一个概括的Katz中心，称为旅行中心，只计算可以根据网络的时间结构，即“旅行”，同时也区分的贡献，层间和层内步行到中心的路径。我们展示了美国航空运输系统的应用程序，特别是计算机场的中心性损失，由于航班网络中的延误。
2019-03-07 cs.SI physics.soc-ph
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
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
Tempus Fugit: The Impact of Time in Knowledge Mobilization Networks
社交网络的时间成分在其分析中经常被忽略，并且统计测量通常在网络的“静态”表示上执行。因此，重要性度量（例如中介中心性）无法揭示所涉及实体的任何时间角色。我们的目标是开始填补这一限制，提出一种形式的时间介数措施，并利用它来分析知识动员网络。我们表明，这种措施，这需要明确考虑到时间，使我们能够检测中心的角色，完全隐藏在经典的统计分析。特别是，我们发现节点的静态中心被认为是微不足道的，但其时间的作用，而不是重要的，以加速网络中的动员流。我们还观察到相反的行为，通过检测具有高静态中心性的节点，其作为时间桥梁的作用是非常低的。通过揭示重要的时间角色，本研究是更好地理解时间在社交网络中的影响的第一步，并为进一步研究开辟了道路。
2015-05-11 cs.SI physics.soc-ph
Urban mobility network centrality predicts social resilience
The Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Northeastern University（东北大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Santa Fe Institute（圣塔菲研究所）；University of Chicago（芝加哥大学）
研究通过分析城市流动性网络中心性，揭示核心场所在不同冲击下的社会韧性预测机制。
2026-02-20 cs.CY cs.SI
Estimating the Degree Centrality Ranking of a Node
近年来，复杂网络得到了越来越多的关注。现实世界中的复杂网络，如在线社交网络、WWW网络、协作网络等，其规模都是随着时间的推移呈指数级增长的。在目前的工作中，我们提出了一种方法来估计一个节点的度中心性排名，而不具有完整的图的结构是不可行的。该算法利用节点的度和度分布的幂律指数来计算排序。在Barabasi-Albert网络上的仿真结果表明，估计排序的平均误差约为节点总数的$5\%$。
2019-10-06 cs.SI physics.soc-ph
Quantifying agent impacts on contact sequences in social interactions
人类社会行为在SARS-CoV-2或假新闻等病原体如何在人群中传播方面发挥着至关重要的作用。社会互动决定了个体之间的联系网络，而传播，需要个人对个人的传播，发生在网络之上。因此，研究接触网络的拓扑结构，不仅有可能对个体行为如何影响传播现象产生有价值的见解，而且还可能为设计有效的行为干预提供可能性。由于交互的时间性质-由于网络的拓扑结构，包括谁与谁联系，何时，多长时间，以及精确的顺序，在时间上变化（快速）-分析它们需要开发尊重时间可变性的网络方法和度量，而不是针对静态（即，时不变）网络。在这里，通过事件映射，我们提出了一种方法来量化如何快速代理混合通过转换代理联系人的时间网络数据。我们定义了一个新的措施称为“接触序列中心”，它量化的影响，个人的接触序列，反映个人的行为潜力的传播。比较接触序列中心性跨代理允许排名代理的影响，并确定潜在的“行为超级传播者”。该方法被应用于在阿姆斯特丹的艺术博览会上收集的社交互动数据。我们与现有的网络指标，时间和静态的措施，并发现（主要是在较长的时间尺度）传统的指标失去了它们的相似之处接触序列中心。我们的工作强调了在分析社会互动时考虑接触的顺序性质的重要性。
2022-04-14 cs.SI physics.soc-ph
Non-Conservative Diffusion and its Application to Social Network Analysis
随机游走是网络动态过程建模的基础。基于随机游走的搜索算法已经在从图像处理到网页排序的许多应用中得到了应用。然而，随机游走对于社交网络的建模和分析有多合适呢？我们认为，与随机游走不同，它保存了在网络上扩散的数量，许多有趣的社会现象，如信息或疾病在社交网络上的传播，从根本上讲是非保守的。当一个人用病毒感染她的邻居时，感染的总量会增加。我们将扩散过程分为保守和非保守两类，并展示了这些差异如何影响用于网络分析的指标的选择，以及我们对网络结构和行为的理解。我们表明，阿尔法中心，数学上描述非保守扩散，导致新的见解网络上的传播过程的行为。给出了一个计算大型图的α中心度的可扩展近似算法。我们验证我们的方法在现实世界的在线社交网络的Digg。我们发现，一个非保守的度量，如阿尔法中心，产生更好的协议与经验措施的影响比保守的度量，如PageRank。我们希望我们的调查将激发进一步探索领域的保守和非保守的度量在社会网络分析。
2011-09-07 cs.SI physics.data-an 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
Centrality in Interconnected Multilayer Networks
现实世界的复杂系统表现出多层次的关系。在许多情况下，它们需要通过互连的多层网络来建模，同时在多个层面上表征相互作用。在许多领域，从经济学到生物学，从城市规划到社会科学，识别网络中影响最大（或影响较小）的节点至关重要。然而，在一个相互关联的结构中，确定行为体的中心地位并非易事。在本文中，我们利用张量的形式主义，最近提出的这种复杂的拓扑结构的特征和调查，显示几个中心的措施-众所周知的标准（“单路”）网络的情况下-可以自然地扩展到领域的互连复用。我们认为诊断广泛应用于不同领域，例如，计算机科学、生物学、通信和社会科学，仅举其中一些。我们表明，无论是理论上和数值上，使用加权单重聚合多层网络获得的结果，在一般情况下，相关的差异，在排名节点的重要性。
2013-11-12 cond-mat.dis-nn cs.SI physics.soc-ph
The complex social network of surnames: A comparison between Brazil and Portugal
我们提出了一个社交网络的基础上分析巴西和葡萄牙的姓氏（姓氏）的研究。我们构建的网络的节点是家庭的名字，其边缘代表两个家庭之间的父母关系。从这些网络中，我们提取的连通性分布，聚类系数，最短路径和中心。我们发现，连接分布遵循近似的幂律。我们将枢纽的数量、中心性和熵与两国社会的通婚程度联系起来。我们的研究结果表明，葡萄牙社会有一个较高的异族通婚程度比巴西社会。分析的所有网络都导致度分布近似平方反比律。我们的结论是，热力学极限达到小网络（3或4千个节点）。所有网络的混合概率都是负的，这表明连接度较高的顶点连接到连接度较低的顶点。最后，网络姓氏呈现出一些小世界的特征。
2017-05-12 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
Sampling from Social Networks with Attributes
从大型网络中取样是社会网络研究的一个基本挑战。在本文中，我们探讨了不同的采样技术（节点采样，边采样，随机游走采样，雪球采样）的敏感性社交网络的属性。我们考虑网络的特殊情况（i），其中我们有一个属性有两个值（例如，在性别的情况下为男性和女性），（ii）当两个组的大小不相等时（例如，男性多数和女性少数），以及（iii）具有相同或不同属性值的节点相互吸引或排斥（即，同性恋或异性恋行为）。我们评估不同的采样技术方面保存节点的位置和群体在这样的网络中的可见性。实验在合成的和经验的社交网络上进行。我们的研究结果提供的证据表明，不同的网络采样技术是高度敏感的捕获预期的中心节点，其准确性取决于相对组大小的差异和同质性的水平，可以在网络中观察到。我们的结论是，不知情的采样从社交网络的属性，从而可以显着损害的能力，研究人员得出有效的结论，节点的中心性和社交网络中的群体的可见性或不可见性。
2017-02-17 cs.SI physics.soc-ph
Look inside. Predicting stock prices by analysing an enterprise intranet social network and using word co-occurrence networks
这项研究调查了员工的沟通，提供了新的指标，可以帮助预测公司的股票价格。我们研究了一家大型意大利公司的内部网论坛，探索了大约8,000名员工的互动和语言使用。我们建立了一个网络连接的话包括在一般的话语。在这个网络中，我们关注代表公司品牌的节点的位置。我们发现，较低的情绪，公司品牌的较高介数中心性，更密集的词共现网络和更均匀分布的员工中心性得分（较低的群体介数中心性）都是较高股票价格的重要预测因素。我们的研究结果提供了新的指标，可以帮助学者，公司经理和专业投资者，并可以整合到现有的预测模型，以提高其准确性。最后，通过扩展词共现网络的应用领域，为词共现网络的研究做出了贡献。
2021-05-25 cs.CL cs.SI physics.soc-ph
Axioms for Centrality
给定一个社交网络，哪个节点更中心？这个问题已经在社会学、心理学和计算机科学中被问过很多次了。中心性指数（centrality indices）或排名（rankings）被提出来说明网络节点的重要性。在本文中，我们试图提供一个数学上健全的调查，从文献中已知的最重要的经典中心性措施，并提出了一个公理化的方法来建立他们是否真的在做他们已经被设计。我们的公理提出了一些简单的，基本的性质，一个中心性措施应该表现出来。令人惊讶的是，只有一个基于距离的新的简单度量，谐波中心性，才能满足所有公理;本质上，谐波中心性是对巴韦拉斯经典的接近中心性的修正，旨在以自然的方式考虑不可到达的节点。作为一个健全的检查，我们反过来检查每一个措施的镜头下的信息检索，利用国家的最先进的知识，在学科来衡量的有效性，在定位网页的各种索引是相关的查询。虽然在文献中有一些这种比较的例子，在这里，我们第一次考虑到中心性措施的基础上的距离，如接近度，在信息检索设置。结果与我们使用公理化方法收集的数据非常吻合。我们的研究结果表明，基于距离的中心性措施，这已被忽视的信息检索在过去的几年中，有利于频谱中心性措施，实际上是非常高的质量，此外，调和中心弹出作为一个优秀的通用中心性指标任意有向图。
2013-11-06 cs.SI physics.soc-ph
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
Strategic Evasion of Centrality Measures
社会网络分析最基本的工具之一是中心性度量，它量化了网络中每个节点的重要性。这种中心性分析通常忽略了网络可能被故意操纵以误导分析的可能性。为了解决这个问题，最近的一项研究试图了解社交网络的成员如何重新连接其中的连接，以避免被识别为该网络的领导者。然而，这项研究是基于这样一个假设，即网络分析者--搜索者--对逃避者的任何逃避企图都没有察觉。在本文中，我们放松了这一假设的贝叶斯Stackelberg游戏中的战略球员建模的搜索者和逃避者。在这种情况下，我们研究了各种优化问题的复杂性，并分析了不同假设下的博弈均衡，从而得出了文献中的第一个结论，即搜索者应该使用哪些中心来最大限度地提高发现战略规避者的机会。
2021-01-26 cs.SI
Adjustable reach in a network centrality based on current flows
中心性，量化了单个节点的“重要性”，是现代网络理论中最基本的概念之一。最突出的中心性度量可以表示为节点对之间的影响流的聚合。由于影响力的定义有多种方式，因此使用了许多不同的中心性度量。参数化中心性通过将中心性计算调整为最适合给定网络的机制，从而提供了进一步的灵活性和实用性。在这里，我们确定了两类中心性参数。到达参数控制远处节点之间影响流的衰减。抓取参数控制中心性沿多个通常为非测地线的路径发送影响流的可能性。将这些范畴与Borgatti的中心性类型相结合[S. P. Borgatti，社交网络27，55-71（2005）]，我们得到了一个新的参数化中心分类系统。使用这种分类，我们确定了显着缺乏任何中心的措施，是径向的，达到参数化，并根据非循环，保守的影响流。因此，我们引入了地电流中心性，这正是这种类型的度量。由于其在分类学中的独特地位，地电流中心性比类似的中心性具有显着的优势。我们证明，与其他保守流中心，它有一个更简单的数学描述。与其他到达中心相比，它在广泛的网络架构中稳健地保持了直观的排名顺序。我们还表明，它产生一个一致的节点之间的中心性值的分布，既不平凡地平均传播（离域），也不过分集中在几个节点（本地化）。其他到达中心分别在常规网络和枢纽网络上表现出这两种行为。
2021-06-02 cs.SI physics.soc-ph
