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
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
Iterative resource allocation based on propagation feature of node for identifying the influential nodes
网络中有影响力节点的识别是网络中最有前途的研究领域之一。在本文中，我们提出了一种改进的迭代资源分配（IIRA）方法，考虑到邻居的中心性信息和扩展速率的影响，为目标节点。通过对4个真实网络的SIR模型的计算结果进行比较，表明该方法比传统的IRA方法能更准确地识别影响节点。特别是在Erdos网络中，当扩展率为0.12时，Kendall τ可以提高23%.在蛋白质网络中，当扩展率为0.08时，Kendall 'stau增强了24%.
2015-05-13 cs.SI physics.soc-ph
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
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
Identifying an influential spreader from a single seed in complex networks via a message-passing approach
识别最具影响力的扩散子是复杂系统物理中的突出问题之一。到目前为止，许多方法都试图对节点的影响力进行排名，但仍然缺乏准确性来选出有影响力的传播者。在这里，我们直接解决的问题，找到重要的传播者，通过分析解决的预期规模的流行病爆发时，传播起源于一个单一的种子。我们推导并验证了一个理论，用于计算一个单一的种子，使用消息传递方法的流行病爆发的规模。此外，我们发现，发生疫情的概率是高度依赖于种子的位置，但一旦发生疫情的大小是不敏感的种子。我们还表明，我们的方法可以成功地适应加权网络。
2017-12-11 cond-mat.stat-mech cs.SI physics.soc-ph
Identifying Influential Users in Unknown Social Networks for Adaptive Incentive Allocation Under Budget Restriction
University of Tasmania（塔斯马尼亚大学）；Auckland University of Technology（奥克兰理工大学）；fortiss GmbH（Fortiss 有限责任公司）
近年来，推荐系统在许多领域得到了广泛的应用。这些系统在影响用户选择系统期望的行为方面是无能为力的。与此同时，提供激励已被证明是一种更积极主动的方式来影响用户的行为。由于预算限制，可以激励的用户数量受到限制。有鉴于此，我们打算利用用户之间存在的社会影响力来提高激励效果。通过直接激励有影响力的用户，他们在社交网络中的追随者可能被间接激励。然而，在许多现实场景中，网络的拓扑结构通常是未知的，这使得识别有影响力的用户变得困难。为了解决上述问题，本文提出了一种新的算法，在未知的网络中发现有影响力的用户，它可以估计用户之间的影响力关系的基础上，他们的历史行为，而不知道网络的拓扑结构。同时，我们设计了一种自适应的激励分配方法，根据用户的偏好和他们的影响力来确定激励值。我们通过在合成和真实世界的数据集上进行实验来评估所提出的方法的性能。实验结果证明了所提方法的有效性。
2021-07-14 cs.AI 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
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 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
Identifying Influential Links for Event Propagation on Twitter: A Network of Networks Approach
在线社交网络中的事件传播模式为网络和物理系统上的信息传播建模和分析提供了新的见解。本文研究了关注者链接对Twitter事件传播的重要性。三个最近的事件传播轨迹收集与Twitter用户语言字段被用来识别嵌入在Twitter的追随者网络的网络（NoN）结构。我们首先制定Twitter上的事件传播作为一个迭代的状态方程，然后提出了一个有效的分数函数的追随者链接占通过链接删除事件传播的遏制。此外，我们发现，利用NoN模型可以成功地识别有影响力的追随者链接，使他们的删除导致显着减少Twitter追随者网络上的事件传播。实验结果表明，网络间的追随者链接，虽然只占总追随者链接的一小部分，是至关重要的Twitter上的事件传播。
2018-07-18 cs.SI
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
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
Mining Influentials and their Bot Activities on Twitter Campaigns
Twitter越来越多地用于政治、广告和营销活动，其主要目的是影响用户支持特定的事业、个人或团体。我们提出了一种新的挖掘和分析Twitter活动的方法，包括：（i）收集推文和检测与活动相关的主题;（ii）使用科学计量学方法挖掘重要的活动主题;（iii）使用主题标签和主题熵建模用户兴趣;（iv）使用自适应的PageRank得分识别有影响力的用户;以及（v）用于识别类机器人活动的各种度量和可视化技术。虽然这种方法可推广到多种竞选类型，但我们在2017年德国联邦选举中证明了其有效性。
2020-11-22 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
Leveraging local h-index to identify and rank influential spreaders in networks
复杂网络中影响节点的识别因其重要的理论和实际应用价值而受到越来越多的关注。传统的度中心性、介数中心性、贴近度中心性、核心度中心性等方法在检测影响节点时都存在或多或少的不足，相关文献对此进行了阐述。最近，h指数，这是用来衡量科学家或学者的出版物的生产力和引文影响，已被引入到网络世界，以评估一个节点的传播能力。然而，该方法分配了太多具有相同值的节点，这导致在区分这些节点的实际影响时的分辨率限制问题。本文提出了一种局部h-指数中心性（LH-指数）方法来识别和排序网络中的影响节点。LH指数方法同时考虑了节点本身及其邻居的h指数值，这是基于节点连接到更有影响力的节点也会有影响力的想法。根据随机SIR模型在四个真实网络和几个模拟网络中的仿真结果，证明了LH指数方法在识别网络中影响节点方面的有效性。
2017-09-15 cs.SI physics.soc-ph
Basic Cycle Ratio: Cost-Effective Ranking of Influential Spreaders from Local and Global Perspectives
本文提出 Basic Cycle Ratio（BCR）节点重要性评估方法，融合基本环与环比率刻画节点的局部邻域地位和全局网络凝聚作用，并在六个真实社交网络上验证其排序传播者、促进信息扩散的优越效果。
2025-09-30 cs.SI nlin.CD
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
Identifying Influential Nodes in Weighted Networks using k-shell based HookeRank Algorithm
寻找有影响力的传播者是网络分析领域的一项重要任务，因为它具有许多理论和实践意义。这些节点在信息扩散过程中发挥着至关重要的作用，就像病毒式营销一样。许多现实生活中的网络都是加权网络，但与未加权网络相比，在加权网络中找到有影响力的节点的工作相对较少。在本文中，我们提出了一个基于k壳的HookeRank（KSHR）算法来识别加权网络中的扩散器。首先，我们提出了加权k壳中心节点u通过使用$u$的k壳值，其邻居的k壳值（$v$），以及它们之间的边权重（$w_{uv}$）。我们将网络中的边建模为弹簧，边权重为弹簧常数。基于胡克弹性定律的概念，我们假设一个力等于加权k壳值作用在每个节点上。在这种安排中，我们制定了KSHR中心的每个节点使用相关的加权k壳值和等效的边的权重，通过照顾从源节点的边缘的串联和并联组合，最多3跳邻居。该算法找到有影响力的节点，可以传播信息的最大数量的节点在网络中。我们比较我们提出的算法与流行的现有算法，并观察到它优于他们在许多现实生活中的和合成的网络使用易感性感染的传播（SIR）信息扩散模型。
2021-01-23 cs.SI 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
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
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
Identifying Stable Influencers: Distinguishing Stable and Temporal Influencers Using Long-Term Twitter Data
University of Tsukuba（筑波大学）
本研究利用长期推特数据，通过分析用户的历史和当前影响力，开发模型区分稳定与临时影响者，提升社交媒体营销效果。
2025-12-19 cs.SI
PHEE: A phased hybrid evaluation-enhanced approach for identifying influential users in social networks
为了最大化由社交网络中的某个少量k个节点引起的影响的传播，我们被要求找到k个节点子集（即，影响力最大化化问题（Influence Maximization，IM）具有广泛的应用，属于子集问题，是NP-难的。为了解决这个问题，我们应该从理论上检查所有种子集并评估它们的影响力传播，这是耗时的。因此，通常采用元启发式策略在合理的时间内获得良好的种子集。我们观察到，许多IM问题的算法只采用一个统一的机制，在整个解决方案的搜索过程中，缺乏一个响应措施时，算法陷入局部最优。为了解决这个问题，我们提出了一个分阶段的混合评价增强（PHEE）的IM方法，它利用两个不同的搜索策略，以提高最优解的搜索：随机范围划分进化（RandRDE）算法，以提高解决方案的质量，和一个快速收敛策略。我们的方法是在10个不同规模和类型的真实社交网络上进行评估的。实验结果表明，该算法是有效的，与三种最先进的算法相比，在所有数据集上都获得了最佳的影响扩散，在四个数据集上的性能优于耗时的CELF算法，在两个网络上的性能不如CELF。
2022-06-04 cs.SI
Finding influential spreaders from human activity beyond network location
大多数用于识别社交网络上有影响力的传播者以传播消息或阻止流行病的中心点都需要传播发生的网络的完整拓扑信息。然而，在实践中，收集社交网络中的代理之间的所有连接很难实现。因此，这样的度量可能难以应用于真实的社交网络。因此，需要一种新的方法来识别有影响力的人没有明确的网络信息，以提供一个有效的免疫或传播策略，在实际意义上。在这项研究中，我们寻求一种可能的方式来寻找有影响力的传播者，通过使用社会关系是如何形成在现实网络中的社会机制。我们发现，一个可靠的免疫接种计划可以通过询问人们如何相互作用来实现。从这些调查中，我们发现，在测试的社会机制中，连接到枢纽的概率趋势对有影响力的传播者具有最强的预测能力。我们的观察还表明，当网络具有强大的模块化结构时，连接不同社区的人更有可能成为有影响力的传播者。我们的发现意味着，不仅网络位置的影响，而且个人的行为是很重要的，以设计最佳的免疫或传播方案。
2015-07-06 cond-mat.stat-mech 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
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
Identification of influential nodes in network of networks
网络的网络（NON）研究的重点是研究现实世界中普遍存在的n个相互依赖的网络的性质。识别网络中的影响节点具有重要的理论和实际意义。然而，基于传统的方法很难描述NON的结构特性。本文提出了一种基于证据理论的网络中影响节点识别的新方法。该方法可以融合网络组件之间的各种关系，构建一个综合的相似性网络。相似度大的节点是网络中有影响力的节点。实验结果表明，该方法是合理的，具有一定的实用价值
2015-01-23 cs.SI physics.soc-ph
Finding Influentials in Twitter: A Temporal Influence Ranking Model
随着在线社交媒体的日益普及，识别这些社交网络中的有影响力的用户已经变得非常流行。现有的工作研究了用户属性，网络结构和用户交互时测量用户的影响力。与这些作品相比，我们专注于用户的行为特征。我们调查的时间动态的用户活动模式，以及这些模式如何影响用户交互。我们吸收这些特征到一个基于PageRank的时间影响力排名模型（TIR），以确定有影响力的用户。TIR中的转移概率由逻辑回归模型和随机游走预测，根据用户的时间活动模式有偏。实验结果表明，TIR模型在全局影响力排名和好友推荐方面比现有模型具有更好的性能和稳定性。
2022-03-23 cs.SI
M-Centrality: identifying key nodes based on global position and local degree variation
识别网络中有影响力的节点是一个重要的问题，因为它涉及大量的应用，如疾病传播和谣言动力学。这就是为什么多年来出现了大量的中心性度量，以便根据节点在网络中的拓扑重要性对其进行排名。局部度量，如度中心性，利用非常有限的信息，很容易计算。诸如介数中心性的全局度量以非常高的计算复杂性为代价利用整个网络结构的信息。最近的工作表明，结合多个指标是一个很有前途的战略，量化节点的影响力。我们的工作是在这一行。在本文中，我们引入了一个多属性的中心性度量称为M-中心性，它结合了网络中的节点的位置信息与其最近邻域的局部信息。位置通过K壳分解来测量，节点邻域的度变化量化了局部上下文的影响。为了研究所提出的措施的性能，我们进行了实验，在小型和大型的现实世界的网络从传输动力学和网络连接的角度。根据实证结果，M-中心性优于其替代品在确定有影响力的传播者和节点，以维持网络的连通性。此外，它的低计算复杂性使其易于应用于大规模网络。
2023-01-03 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
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
Identifying highly influential travellers for spreading disease on a public transport system
最近爆发的新型冠状病毒及其快速传播强调了了解人类流动性的重要性。封闭的空间，如公共交通工具（如公共汽车和火车），为感染广泛和快速传播提供了合适的环境。因此，调查个人在公共交通系统上的移动模式和身体接触对于了解传染病爆发的驱动因素至关重要。例如，以前的工作探讨了人类流动固有的重复模式对疾病传播的影响，但没有考虑到旅行距离或相遇次数等其他方面。在这里，我们同时考虑多个流动性维度，以揭示设计有效干预策略的关键信息。我们使用一个月的全市范围内的灵巧卡旅行数据收集在澳大利亚悉尼巴士乘客沿三个维度，即探索程度，旅行的距离和遇到的数量进行分类。此外，我们还模拟了疾病在交通网络上的传播，并追踪了感染路径。我们详细调查了分类组之间的传输，而不同的感染概率和病原体的悬浮时间。我们的研究结果表明，沿着多个维度描述个体同时揭示了不同乘客群体之间复杂的感染相互作用，当只考虑单个维度时，这种相互作用仍然是隐藏的。我们还确定了比其他群体更有影响力的特定疾病特征，这可以指导遏制和疫苗接种工作。
2020-04-03 cs.SI physics.soc-ph q-bio.PE
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
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
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
Tracking Influential Nodes in Time-Decaying Dynamic Interaction Networks
识别能够共同触发网络中最大影响传播的有影响力的节点是许多应用中的基本问题，例如病毒式营销、在线广告和疾病控制。大多数现有的研究假设社会影响是静态的，他们未能捕捉到现实中的影响力的动态。在这项工作中，我们通过设计高效的流方法，可以识别有影响力的节点，从高度动态的节点交互流来解决动态影响的挑战。首先，我们提出了一个一般的时间衰减动态交互网络（TDN）模型来模拟节点交互流的能力，顺利地丢弃过时的数据。在TDN模型的基础上，我们设计了三种算法，SieveADN、BasicReduction和HistApprox。SieveADN有效地从一种特殊的TDNs中识别出有影响的节点。BasicReduction使用SieveADN作为基本构建块，从一般的TDNs中识别有影响力的节点。HistApprox显著提高了BasicReduction的效率。更重要的是，我们从理论上表明，这三种算法都享有常数因子近似保证。在各种真实交互数据集上进行的实验表明，我们的方法找到了接近最优的解决方案，速度至少比基线方法快$5$到$15$倍。
2018-10-22 cs.SI physics.soc-ph
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
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 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
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
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
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
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
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
On Yukawa Potential Centrality for Identification of Influential Spreaders in Complex Networks
Trustworthy Computing Laboratory, School of Computer Engineering, Iran University of Science and Technology（伊朗理工大学计算机工程学院可信计算实验室）
YPC通过物理Yukawa势模型，提出一种非交互、动态适应的中心性度量方法，有效识别复杂网络中的关键传播者。
2025-11-24 cs.SI
A Lightweight Deep Learning-based Model for Ranking Influential Nodes in Complex Networks
Computer Science Department, College of Science, University of Zakho（扎赫大学科学学院计算机科学系）；Department of Computer Science and Information Technology, The American University of Kurdistan（库尔德斯坦美国大学计算机科学与信息技术系）
提出一种结合一维卷积神经网络和GraphSAGE的轻量级混合模型1D-CGS，利用节点度和平均邻居度特征，通过回归任务高效排序有影响力节点，在12个真实网络上平均Kendall Tau提升4.73%，Jaccard相似度提升7.67%，单调性指数达0.99，运行速度显著快于现有深度学习方法。
2025-07-25 cs.AI cs.LG cs.SI
Improving detection of influential nodes in complex networks
近年来，越来越多的研究致力于如何在复杂网络中有效地找到最有影响力的节点（种子）。有一些措施，提出了这一目的，例如，高度中心性措施反映了网络拓扑的重要性，并有一个合理的运行时性能，找到一组具有最高程度的节点，但他们没有一个令人满意的传播潜力，在网络中，由于有许多共同的邻居（$\mbox{CN}^{(1)}$）和邻居的共同邻居（$\mbox{CN}^{(2)}$）。这一缺陷在其他措施中也存在。在本文中，我们比较了高度中心性的措施与其他知名的措施，使用十个数据集，以找到一个比例的共同种子，由他们获得的种子集。因此，我们提出了一种改进的高度中心性测度（命名为DegreeDistance），并对其进行改进，以提高两个阶段（FIDD和SIDD）的精度，通过对已经选择的种子节点和被调查的非种子节点的共同邻居的数量设置阈值以被选择作为种子，以及考虑种子节点直接或通过它们的共同邻居对非种子节点的影响得分。为了评估度距离，FIDD和SIDD的准确性和运行时性能，它们被应用到8个大规模的网络，最后证明，SIDD显着优于其他知名的措施，并表现出相对更准确的性能，在确定最有影响力的节点。
2015-04-24 cs.SI physics.soc-ph
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
Influence Maximization in Social Networks: A Survey of Behaviour-Aware Methods
本文针对当前社交网络影响力最大化研究中缺乏行为感知方法全面综述的空白，梳理相关方法并提出分类体系，填补了该领域的研究缺口。
2023-05-04 cs.SI
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
Identifying a Criminal's Network of Trust
由于大量的节点及其复杂的关系，追踪犯罪关系并从大型网络中挖掘证据以开始犯罪案件分析对于刑事调查人员来说是困难的。在本文中，信任网络使用盲碳副本（BCC）电子邮件形成。我们表明，我们的新的最短路径网络搜索算法结合最短路径和网络中心性措施可以隔离和识别犯罪分子的信任网络内的连接。为此，从1，887，305封安然电子邮件交易中分离出一组BCC电子邮件。该算法使用两个中心节点，最有影响力和中间人，以提取一个最短路径的信任网络。
2015-03-17 cs.SI physics.soc-ph
On Influence, Stable Behavior, and the Most Influential Individuals in Networks: A Game-Theoretic Approach
我们引入了一种新的方法来研究在战略环境中的影响力，其中一个人的行动取决于其他人在网络结构的方式。我们提出\emph{influence games}作为一个\emph{game-theoretic}模型的行为，一个大的，但有限的网络人口。影响力游戏允许\emph{both}积极和消极的\emph{influence factors}，允许行为选择的逆转。我们拥抱\emph{pure-strategy Nash equilibrium (PSNE)}，在非合作博弈论的一个重要的解决方案的概念，正式定义的\emph{stable outcomes}的影响力游戏，并预测潜在的结果，而不明确考虑错综复杂的动态。我们解决了一个重要的问题，在网络的影响，识别的\emph{most influential individuals}，并接近它的算法使用PSNE计算。\emph{Computationally}，我们提供（一）复杂性的各种问题的影响游戏的特征;（二）有效的算法，为几种特殊情况下和困难的情况下，和（三）近似算法，可证明的保证，识别最有影响力的个人的问题。\emph{Experimentally}，我们评估我们的方法，使用合成的影响力游戏以及几个现实世界的设置普遍感兴趣，每个对应于一个单独的分支，美国政府。\emph{Mathematically,}我们将影响力博弈与重要的博弈论模型联系…
2013-10-26 cs.GT 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
