Influencer identification in dynamical complex systems
许多现实世界的复杂系统的完整性和功能性都取决于一小部分关键节点或影响者。在不同的背景下,这些影响者被定义为维持网络连通性的结构重要节点,或者可以不成比例地影响某些动态过程的动态关键单元。在实践中,识别给定系统中的最佳影响者集在各种学科中具有深远的意义。在这篇综述中,我们从不同的角度综述了影响者识别研究的最新进展,并提出了针对不同目标设计的最先进的解决方案。特别地,我们首先讨论找到最少数量的节点的问题,这些节点的移除会破坏网络(即,最优渗透或网络拆除问题),然后调查方法以定位能够用连续(例如,独立级联模型)或不连续的相变(例如,阈值模型)。最后,我们总结了一个总结和展望。
2019-08-29 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
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络,我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而,组成网络的节点具有不同的传播能力,这受到许多因素的制约,而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性,根据相邻节点的多样性定义了改进的H指标中心度(IH),然后利用累积中心度(MC)将所有相邻节点考虑在内,提出了扩展的混合H指标中心度(EMH)。我们评估所提出的方法的易感性-感染-扩散(SIR)模型和单调性,这是用来评估的准确性和分辨率的方法,分别。实验结果表明,该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
Identification of intrinsic long-range degree correlations in complex networks
许多现实世界的网络都表现出被多个步长分隔的节点之间的度-度相关性。这种远程度相关性(LRDC)可以完全描述为一个联合和四个条件概率分布,相对于度的两个随机选择的节点和它们之间的最短路径距离。虽然LRDC是由相邻节点之间的最近邻度相关性(NNDC)引起的,但有些网络具有内在的LRDC,而NNDC不能产生。在这里,我们开发了一种方法来提取内在的LRDC在相关的网络,通过比较的概率分布为给定的网络与最近邻相关的随机网络。我们还证明了我们的方法的实用性,将其应用到几个现实世界的网络。
2020-01-30 cs.SI physics.soc-ph
Influencers identification in complex networks through reaction-diffusion dynamics
网络科学、营销研究和创新扩散理论中的一个关键思想是,一小群节点--被称为影响者--对网络中的社会传染和流行过程具有最大的影响。尽管在社会经济和生物网络的影响者识别问题的长期利益,还没有达成协议,这是最好的识别策略。最先进的策略通常基于启发式中心性度量或仅适用于特定网络拓扑或特殊动态机制的分析参数。在这里,我们利用最近引入的随机游走有效距离-一个拓扑度量,几乎完美地估计网络上扩散扩散过程的到达时间-引入一个新的中心性度量,它量化了一个节点与其他节点的接近程度。我们发现,新的中心性指标显着优于国家的最先进的指标,在检测全球传染过程的影响。我们的研究结果揭示了网络有效距离对影响者识别的重要作用,并使我们更接近问题的最优解。
2018-11-14 cs.SI physics.soc-ph
Identification of highly susceptible individuals in complex networks
在传播过程中识别高易感个体对控制疫情具有重要意义。在本文中,我们探讨了易感性的人在易感染恢复(SIR)和谣言传播动力学。我们首先研究社区结构对人们易感性的影响。尽管在相同的感染率下,社区结构可以减少感染种群,但它不会确定性地影响节点的敏感性。我们发现个体的易感性对传播动力的选择是敏感的。对于SIR传播,由于敏感度与节点的影响力高度相关,因此拓扑指标k-shell可以更好地识别高度敏感的个体,优于度,介数中心性和PageRank。而在谣言传播模型中,节点的敏感性和影响力没有明显的相关性,度在所考虑的拓扑度量中表现最好。我们的发现强调了拓扑特征和传播机制在识别高度易感人群中的重要性。
2015-04-27 cs.SI physics.soc-ph
Multilayer Network Analysis: The Identification of Key Actors in a Sicilian Mafia Operation
最近,社会网络分析的研究已经导致了现有工具的改进和推广到具有多个子系统和连接层的网络。这种网络通常被称为多层网络。多层网络中的每一层与网络中的其他某个层共享至少一个节点,这种多层网络称为多路复用网络。作为一个多路复用网络并不要求所有节点都存在于每一层上。在本文中,我们建立了一个犯罪多元化网络,涉及一个反黑手党的行动称为“蒙塔格纳”,它是基于审查的审前拘留令发出的2007年3月14日由法官初步调查的墨西拿法院(西西里岛)。《Montagna》聚焦于两个黑手党家族,分别叫“Mistretta”和“Batanesi”,他们通过一个与西西里黑手党关系密切的企业家卡特尔渗透到西西里东北部的几项经济活动中,包括公共工程。最初,我们推导出两个单层网络,前者捕获嫌疑人之间的会议,后者记录电话。但是,一些网络系统可以更好地通过多层结构来建模,其中各个节点在多层中发展关系。因此,我们从单层网络构建了一个双层网络。这两个层共享47个节点。我们遵循三种不同的方法来衡量多层网络中的节点的重要性,使用度作为描述符。我们的分析可以帮助识别犯罪网络中的关键参与者。
2021-05-19 cs.SI physics.soc-ph
Identifying Influential Nodes in Bipartite Networks Using the Clustering Coefficient
复杂网络中影响节点的识别是一个非常具有挑战性的问题。如果网络具有社区结构,则中心性度量可能无法识别完整的有影响力的节点集,因为网络的集线器和其他中心节点可能仅位于一个社区内。在这里,我们定义了一个二分聚类系数,通过考虑不同结构的集群,可以找到跨社区的重要节点。
2015-03-20 cs.SI physics.soc-ph
NISQ-ready community detection based on separation-node identification
LMU Munich(慕尼黑大学);Aqarios GmbH(Aqarios有限公司);University of Bayreuth(拜罗伊特大学);Delft University of Technology(代尔夫特理工大学)
本文提出一种基于分离节点识别的NISQ就绪量子社区检测方法,通过仅需与节点数相同的量子比特和稀疏QUBO矩阵,显著降低硬件需求,并在实验中验证了其可行性。
2023-06-24 cs.LG cs.SI physics.soc-ph
Finding the right scale of a network: Efficient identification of causal emergence through spectral clustering
所有网络都可以在多个尺度上进行分析。更高规模的网络由宏节点组成:子图被分组为单个节点。在更高的尺度上重铸网络可以产生有用的效果,例如减少随机游走者在网络中移动的不确定性,同时也减少了网络的大小。然而,找到这样一个宏尺度表示的任务在计算上是困难的,因为网络的所有可能尺度的集合随着节点的数量呈指数增长。在这里,我们比较了各种方法,找到最丰富的规模的偏好连接网络,发现一个基于频谱分析的方法优于贪婪和梯度下降为基础的方法。然后,我们使用这个过程来展示这些网络的几个结构特性如何在不同尺度上变化。我们描述了如何中观和宏观尺度的网络表示可以有显着的好处,在其基础上的微尺度上的信息传输,其中包括属性,如增加确定性,减少退化,熵率较低的随机游走在网络上,增加全球网络效率,和更高的值为各种中心的措施比微尺度。
2022-02-16 cs.SI physics.soc-ph
Network infection source identification under the SIRI model
研究了在可恢复-感染-恢复-感染(SIRI)模型下网络中单个感染源的识别问题。我们描述的感染模型,通过状态空间模型,并利用状态传播的方法,我们推导出一个算法称为异构感染传播源(HISS)估计,推断感染源。HISS估计器使用节点状态在特定时间的观测值,其中从感染开始经过的时间是未知的。它能够合并边信息(如果有的话)的观察到的状态的一个子集的节点在不同的时间,和每个感染或恢复节点的先验概率是感染源。仿真结果表明,HISS估计优于动态消息传递和约旦中心估计在很宽的范围内的感染率和再感染率。
2015-02-12 cs.SI math.DS 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
Module identification in bipartite and directed networks
模块性是现实世界中复杂网络最重要的特性之一。在这里,我们解决了两个重要的网络类:二分网络和定向unipartite网络的模块识别问题。二分网络中的节点被分成两个不重叠的集合,并且链路必须有来自每个集合的一个端节点。有向单部网络只有一种类型的节点,但链接有起点和终点。我们表明,有向单部网络可以方便地表示为二部网络的模块识别的目的。我们报告了一种新的方法,特别适合于模块检测二分网络,并定义了一组随机网络,使我们能够验证新的方法。
2007-09-07 physics.bio-ph physics.data-an physics.soc-ph
What Is There Between Any Two Nodes in a Complex Network?
本文主要研究复杂网络中节点对之间不同长度路径的数量识别,以及如何通过提供有关网络拓扑的全面信息,有效地将这些信息用于理论和现实复杂网络的表征以及社区识别。
2008-12-01 cond-mat.dis-nn physics.comp-ph physics.soc-ph
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
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 vital nodes based on reverse greedy method
维持网络连通性的关键节点的识别是网络科学中的一个长期挑战。在本文中,我们提出了一个所谓的反向贪婪方法,其中最不重要的节点被优先选择,使最大的组件在相应的诱导子图的大小尽可能小。因此,稍后选择的节点在保持连接性方面更重要。对10个真实网络的实证分析表明,反向贪婪方法的性能明显优于著名的最先进的方法。
2019-07-02 cs.SI physics.data-an physics.soc-ph
Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels
Lancichinetti、Kertesz和Lancichinetti(LFK)去年提出了一种用于检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建(原则上)图的所有节点的自然社区。产生的模块可能会重叠。对于许多分辨率值,社区的生成可以很容易地重复;从而允许网络上不同分辨率的不同视图。我们以不同的方式实现了LFK算法的主要思想--生成网络中每个节点的自然社区。我们从分辨率参数的值开始,该值足够高,每个节点都是自己的自然社区。一旦分辨率降低,每个节点就会随着其社区成员(即自然社区)的增长而获得其他节点。对于在某个分辨率级别找到的每个社区,我们计算添加节点的下一个较低分辨率。在将节点添加到种子节点的社区后,我们检查它是否也是我们已经分析过的节点的自然社区。在这种情况下,我们可以停止扩展种子节点的社区。我们测试了我们的算法在一个小的基准图和网络上的约500篇论文在信息科学(加权索尔顿指数的书目耦合)。在我们的测试中,这种方法会导致分辨率的特征范围,其中大的分辨率变化不会导致自然群落的增长。这种稳定的模块也是通过应用LFK算法获得的,但由于我们在一次运行中确定了所有分辨率值的社区,因此我们的方法比LFK参考更快。而且我们的算法更容易揭示图的层次结构。
2010-08-05 physics.data-an physics.soc-ph
Consistent Community Identification in Complex Networks
我们已经发现,已知的社区识别算法产生不一致的社区时,节点排序的变化在输入。我们提出了两个指标来量化算法多次运行的一致性水平:成对成员概率和一致性。基于这两个指标,我们解决了一致性问题,而不损害模块化。我们的解决方案使用成对的成员资格概率作为链接权重,并在六个或更少的周期内生成一致的社区。它为研究群落结构及其演化提供了一种新的工具。
2009-10-10 physics.data-an physics.soc-ph