Learning to Identify High Betweenness Centrality Nodes from Scratch: A Novel Graph Neural Network Approach
National University of Defense Technology(国防科技大学);University of California, Los Angeles(加州大学洛杉矶分校);Tsinghua University(清华大学);University of Pennsylvania(宾夕法尼亚大学)
介数中心性(BC)是网络分析中最常用的中心性度量之一,它试图用通过它们的最短路径的比例来描述网络中节点的重要性。它是许多有价值的应用程序的关键,包括社区发现和网络拆除。由于高时间复杂度,在大型网络上计算BC分数在计算上具有挑战性。为了加快BC的估计速度,已经提出了许多近似算法,这些算法主要是基于采样的。然而,这些方法仍然倾向于在大规模网络上执行相当长的时间,并且当网络结构发生微小变化时,它们的结果往往会恶化。在本文中,我们专注于识别图中具有高BC的节点,因为许多应用场景都是建立在检索具有top-k BC的节点上的。与以往的探试法不同,我们将此任务转化为一个学习问题,并设计了一个基于编码器-解码器的框架来解决这个问题。更具体地说,编码器利用网络结构将每个节点编码到嵌入向量中,嵌入向量捕获节点的重要结构信息。解码器将每个节点的嵌入向量转换为标量,该标量捕获该节点在BC方面的相对排名。我们使用成对排序损失来训练模型,以识别节点关于其BC的顺序。通过在小规模网络上进行训练,学习的模型能够为任何看不见的网络的节点分配相对BC分数,从而识别排名高的节点。在合成网络和真实网络上进行的综合实验表明,与代表性基线相比,我们的模型大大加快了预测速度,而准确性没有明显提高,并且在几个大型真实网络上的准确性优于最先进的模型。
2019-08-29 cs.LG cs.SI stat.ML
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
ChoiceRank: Identifying Preferences from Node Traffic in Networks
EPFL(洛桑联邦理工学院)
了解用户如何在网络中导航在许多应用中具有很高的兴趣。我们考虑一个设置,只有聚合节点级流量观察和学习边缘转移概率的任务。我们把它作为一个偏好学习的问题,我们研究一个模型,选择遵循卢斯公理。在这种情况下,节点访问的$O(n)$边际计数对于$O(n^2)$转移概率是足够的统计量。我们展示了如何使推理问题适定性,无论网络的结构如何,我们提出了ChoiceRank,这是一种迭代算法,可扩展到包含数十亿个节点和边的网络。我们将该模型应用于两个点击流数据集,并表明它成功地恢复了转移概率只使用网络结构和边际(节点级)流量数据。最后,我们还考虑了移动网络的应用,并将该模型应用于纽约市自行车共享系统的一年骑行。
2017-06-15 cs.LG cs.SI stat.ML
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
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
A general method for identifying node spreading influence via the adjacent matrix and spreading rate
识别复杂网络的节点扩散影响力具有重要的理论意义和实际意义,是当前网络研究的热点之一。到目前为止,已经提出了各种基于拓扑的中心性措施来识别网络中的节点传播影响。而节点扩散影响是网络拓扑结构和扩散动力学相互作用的结果。本文将网络结构与传播动力学相结合,建立了系统的节点传播影响识别方法。通过结合邻接矩阵$A$和扩展参数$β$,从理论上给出了最大特征值的特征向量对节点扩展的影响。通过与4个真实网络的SIR模型结果比较,该方法比基于度、K壳和特征向量中心度的方法更能准确地识别节点传播影响力。该工作为识别节点扩散影响提供了一种系统的方法。
2014-08-26 cs.SI physics.data-an physics.soc-ph
Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks
University of Science and Technology of China(中国科学技术大学);CETC Academy of Electronics and Information Technology Group Co(中国电子科技集团公司电子科学研究院)
针对现有方法视角单一且泛化能力不足的问题,提出多视角记忆增强网络(MMEN),结合用户属性与传播结构双视角及记忆网络识别关键节点,显著提升了未知场景下的泛化性能与识别效果。
2024-03-22 cs.AI cs.SI
A Tunable Mechanism for Identifying Trusted Nodes in Large Scale Distributed Networks
在本文中,我们提出了一个简单的随机化协议,用于确定信任节点的个性化信任的基础上,在大规模分布式网络。在大型网络环境中,基于个性化信任来识别可信节点的问题源于远程节点详尽地计算和传播信任估计所涉及的巨大计算和消息开销。然而,在任何实际场景中,节点通常与节点的小子集通信,因此详尽地估计所有节点的信任可能导致巨大的资源消耗。相比之下,我们的机制可以调整到定位所需的子集的可信节点,基于允许的开销,相对于一个特定的用户。该机制是基于一个简单的交换随机游走消息和节点计数的次数,他们被击中的随机游走的节点在他们的邻居。仿真结果表明,该算法的有效性分析表明,使用该算法,节点识别顶部信任节点在网络中具有很高的概率,通过探索只有约45%的总节点,并反过来产生近90%的开销减少相比,一个详尽的信任估计机制,名为TrustWebRank。最后,我们提供了一个节点的全球可信度的措施;模拟结果表明,使用我们的机制生成的措施相比,TrustWebRank仅相差约0.6%。
2012-04-24 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 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
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
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
UniqueRank: Identifying Important and Difficult-to-Replace Nodes in Attributed Graphs
Massachusetts Institute of Technology(麻省理工学院);Lincoln Laboratory, Massachusetts Institute of Technology(林肯实验室,麻省理工学院);Meta;UMass(马萨诸塞大学)
针对现有节点排序方法未考虑节点可替代性的问题,提出结合结构重要性与属性独特性的马尔可夫链方法UniqueRank,可识别更难替代的重要节点,在多类真实网络及生物分子结构场景中均有效。
2025-10-21 cs.SI
Identifying Asymptomatic Nodes in Network Epidemics using Graph Neural Networks
Universidade Federal do Rio de Janeiro(里约热内卢联邦大学)
本文提出利用图神经网络识别网络流行病中无症状节点的方法,通过构建节点特征并结合监督学习,有效解决无症状个体识别问题。
2025-10-02 cs.NE cs.SI q-bio.PE
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 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
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
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
Generating Post-hoc Explanations for Skip-gram-based Node Embeddings by Identifying Important Nodes with Bridgeness
Sungkyunkwan University(成均馆大学);Purdue University(普渡大学);Microsoft Research(微软研究院)
本文提出通过桥接度识别重要节点,为基于Skip-gram的节点嵌入生成全局事后解释,并设计了高效的梯度方法GRAPH-wGD,实验验证其解释质量优于现有方法。
2023-05-15 cs.CL cs.LG cs.SI
Identifying vital nodes through augmented random walks on higher-order networks
本文提出融合高阶二分图与成对图的多阶图表示及高阶增广随机游走(HoRW)模型,有效缓解经典中心性的局部化问题,在关键节点识别、信息传播最大化和网络拆解等任务中优于传统方法。
2023-12-03 cs.SI physics.soc-ph stat.CO
Temporal effects in trend prediction: identifying the most popular nodes in the future
预测是各个科学领域的重要问题。在本文中,我们专注于复杂网络中的趋势预测,即识别未来最受欢迎的节点。由于实际系统中节点的优先连接机制,节点的最近度和累积度已经被成功地应用到设计趋势预测方法中。在这里,我们考虑了有关网络演化的更详细信息,并提出了一种基于时间的预测器(TBP)。TBP通过加权网络中节点的强度来预测未来趋势,其中链路的权重等于其指数老化。用三组含有时间信息的数据对新方法的性能进行了测试。我们发现TBP在预测未来最受欢迎的节点方面具有很高的总体准确性。更重要的是,它可以识别许多过去受欢迎程度低但未来受欢迎程度高的潜在对象。详细讨论了指数老化过程中衰减速度对结果的影响。
2014-12-21 cs.SI physics.soc-ph
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
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 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
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 Key Nodes for the Influence Spread using a Machine Learning Approach
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);Semantics(4Semantics)
本文提出增强型机器学习框架以识别 Independent Cascade 模型中的关键节点,核心贡献是用 Smart Bins 改进训练标签获取,并预测传播过程的多维特征及跨网络泛化能力。
2024-12-02 cs.AI cs.SI
Identifying edge clusters in networks via edge graphlet degree vectors (edge-GDVs) and edge-GDV-similarities
新生物学知识的推断,例如,在后基因组时代,从蛋白质相互作用(PPI)网络预测蛋白质功能受到关注。一种流行的策略是将网络聚类成功能一致的蛋白质组,并从聚类中预测蛋白质功能。传统上,网络研究集中在节点的聚类上。然而,当边缘的聚类可能是首选时,为什么更喜欢节点而不是边缘呢?例如,节点属于多个功能组,但是节点的聚类通常不能捕获组重叠,而边的聚类可以。最近提出了共享许多邻居的相邻边的聚类,优于不同的节点聚类方法。然而,由于一些生物过程可以在整个网络中具有特征“签名”,而不仅仅是局部的,因此考虑不一定相邻的边缘可能是有意义的。因此,我们设计了一个敏感的措施的“拓扑相似性”的边缘,可以处理不一定是相邻的边缘。我们聚类边缘相似,根据我们的措施在不同的面包酵母PPI网络,优于现有的节点和边缘聚类方法。
2012-04-10 cs.DM cs.SI q-bio.MN
Identifying and Mitigating Instability in Embeddings of the Degenerate Core
图的退化核的嵌入是稳定的吗?当我们系统地移除外围节点(通过反复剥离$k$ -核心)时,简并核心中的节点嵌入会发生什么?我们发现三种模式w.r.t.在各种流行的图嵌入算法和数据集上退化核嵌入的不稳定性。我们使用回归来量化图嵌入稳定性的变点。此外,我们提出了稳定的算法,它采取了现有的图嵌入算法,并使其稳定。我们证明了STABLE在使退化核心嵌入稳定和仍然产生最先进的链接预测性能方面的有效性。
2022-05-21 cs.SI
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
Bridging Nodes and Narrative Flows: Identifying Intervention Targets for Disinformation on Telegram
本研究通过分析Telegram上1740多个频道,提出多维桥接度量识别跨社区枢纽节点,揭示虚假信息传播的结构性脆弱性,并为干预提供建议。
2024-11-08 cs.CY cs.SI
Implicit Crowdsourcing for Identifying Abusive Behavior in Online Social Networks
越来越多地使用在线社交网络来传播信息,同时也出现了滥用互联网进行网络欺凌、网络犯罪、垃圾邮件、故意破坏等行为。为了主动识别网络中的滥用行为,我们提出了一个通过众包来识别滥用帖子的模型。检测机制的众包部分通过简单地观察遇到消息的用户之间的自然交互来隐式地实现。我们探讨了节点到节点的Twitter上的信息传播,并提出了一个模型,通过观察消息的属性,以及与之交互的用户的属性,预测与tweet相关的滥用级别(滥用,仇恨,垃圾邮件,正常),我们证明了用户与滥用帖子的交互的差异可以被利用来识别不同滥用级别的帖子。
2020-06-20 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
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
Identifying sparse and dense sub-graphs in large graphs with a fast algorithm
在没有先验信息的情况下,如何识别小的子图的节点是一个困难的问题。在这项工作中,我们希望找到一个稀疏的子图嵌入在动态和静态的背景图,平均度较大的每个节点。我们发现,利用可求和性超过几个背景实现的埃斯特拉达-Benzi通信和Krylov近似的矩阵指数,它是可能的,以恢复子图的快速算法与计算复杂性O(N n)。将问题放宽到完全子图,在单个背景下获得相同的性能。最坏情况下的复杂度为O(n log(n))。
2014-09-17 cs.DS cs.SI
GNNTAL:A Novel Model for Identifying Critical Nodes in Complex Networks
针对现有复杂网络关键节点识别方法的局限,提出基于GraphSAGE和Transformer的主动学习模型GNNTAL,通过预训练加少量样本微调兼顾性能更优,还可用于高效影响力最大化。
2024-06-24 cs.SI physics.soc-ph
Identifying hubs in directed networks
本文提出基于最小描述长度原则的高效非参数方法,用于在有向网络(包括无权和加权网络)中分类识别枢纽节点,为网络枢纽提供了清晰且有原则的定义。
2024-03-22 cs.SI physics.soc-ph
Identifying critical higher-order interactions in complex networks
网络上的信息扩散是网络科学中的一个重要概念,可以在社交网络中的信息传播和谣言控制、个体间的疾病传染、电网连锁故障等情况下观察到。网络中的关键交互作用是指在信息扩散中起关键作用的交互作用,是影响网络结构和功能的主要因素。此外,交互不仅可以作为成对交互发生在两个节点之间,即,边,但也有三个或更多的节点,被描述为高阶相互作用。本报告提出了一种新的方法来确定关键的高阶相互作用。我们提出了两个新的拉普拉斯算子,允许重新定义经典的图中心性措施高阶相互作用。然后,我们比较了重新定义的中心性措施,使用易感-感染-感染(SIR)模拟模型。实验结果表明,该方法是有前途的识别关键高阶相互作用。
2021-05-07 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 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 the temporal dynamics of densification and sparsification in human contact networks
人类互动的时间社交网络在理解人类行为的基本模式方面具有优势。在这些网络中,个体之间局部地发生交互(即,节点),它们在不同时间彼此连接,最终形成一个具有动态组成的复杂系统范围的网络。网络中的动态行为不仅发生在局部,也发生在全局层面,因为系统会因节点数量的变化或两个节点之间连接机会的变化而膨胀或收缩。在这里,我们提出了一个数值最大似然方法来估计人口规模和两个节点在任何给定的时间点连接的概率。该方法的一个优点是,它只依赖于总量,这是很容易访问和自由的隐私问题。我们的方法使我们能够确定的同时(而不是异步)的贡献,每个机制的致密化和稀疏化的人类接触,提供了一个更好的理解,人类如何共同构建和解构社交网络。
2022-01-24 cs.SI physics.soc-ph
Classifying Latent Infection States in Complex Networks
识别网络中节点感染状态的算法对于理解和遏制感染至关重要。然而,通常只有相对较小的一组节点具有已知的感染状态。此外,每个节点被感染的时间长度也是未知的。这种缺失的数据-大多数节点的感染状态和未观察到的感染节点的感染时间-对真实世界级联的研究提出了挑战。在这项工作中,我们开发的技术,以确定潜在的感染节点中存在丢失的感染时间和状态数据。基于简单的可感染流行病模型预测的可能的流行病路径,我们提出了一个度量(感染介数)来揭示这些未知的感染状态。我们使用机器学习算法的实验结果表明,感染介数是识别潜在感染节点的最有效特征。
2014-01-31 cs.SI physics.soc-ph
Identifying robust communities and multi-community nodes by combining top-down and bottom-up approaches to clustering
生物功能是由相互作用的分子,细胞或组织,称为社区。当生物成分参与多种功能时,这些社区的成员可能会重叠。然而,传统的聚类方法检测非重叠社区。这些检测到的群落也可能不稳定,难以复制,因为传统方法对噪声和参数设置很敏感。传统聚类方法的这些方面限制了我们检测生物群落的能力,从而限制了我们理解生物功能的能力。为了解决这些局限性和检测强大的重叠生物群落,我们提出了一种非正统的聚类方法SpeakEasy,它同时使用自上而下和自自底向上的【形】的方法来识别社区。具体而言,节点根据其本地连接以及关于网络结构的全局信息加入社区。该方法可以量化每个社区的稳定性,自动识别社区的数量,并快速聚类具有数十万个节点的网络。SpeakEasy在合成聚类基准测试中表现出色,并在一系列数据集中准确识别有意义的生物群落,包括:基因微阵列,蛋白质相互作用,分选细胞群,电生理学和fMRI脑成像。
2015-02-26 cs.CE cs.SI physics.bio-ph
Fundamental limits to identifying node and tie memory in temporal networks: marginal artefacts and spreading dynamics
Technical University of Denmark (DTU)(丹麦技术大学)
该研究证明时间网络中节点自激发与连边强化在发起者可观测时正交,但无向数据中边际化导致结构性混杂;经验数据中节点记忆近乎不可识别,而连边强化可识别,且低估疫情规模至多2.5倍。
2026-10-27 cs.SI physics.soc-ph
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
Identifying Community Structures in Dynamic Networks
大多数现实世界的社交网络本质上是动态的,由成员不断变化的社区组成。为了跟踪这些不断发展的社区,我们需要动态的社区发现技术。本文评估了一组博弈论方法在动态网络中识别社区的性能。我们的方法,D-GT(动态博弈论社区发现),模型的每个网络节点作为一个理性的代理定期发挥社区成员的游戏与邻居。在游戏过程中,节点通过加入或离开网络邻居的社区来寻求最大化其本地效用。社区结构在博弈达到纳什均衡后出现。与基准社区发现方法相比,D-GT更准确地预测社区的数量,并发现具有更高的归一化互信息的社区分配,同时保持良好的模块化。
2016-09-12 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
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
Identifying communities by influence dynamics in social networks
社区不是静态的;它们进化、分裂和合并、出现和消失,即它们是支配网络进化的动态过程的产物。一个好的社区发现算法不仅要量化网络的拓扑结构,而且要考虑网络中发生的动态过程。我们提出了一种新的算法,社区检测,结合网络结构的过程,支持创建和/或进化的社区。该算法并没有采用通用的方法,而是试图专注于社交网络,并对这些网络上发生的动态社交互动进行建模。它识别领导者,以及围绕这些领导者形成的社区。它通过将每个节点与描述节点在每个社区中的参与的成员关系向量相关联来自然地支持重叠社区。通过这种方式,除了重叠的社区之外,我们还可以识别出作为其领导者的良好追随者的节点,以及没有明确社区参与的节点,这些节点作为多个社区之间的代理,并且同样重要。我们运行的算法,几个真正的社交网络,我们认为代表了一个很好的一部分,广泛的身体社交网络和讨论的结果,包括其他可能的应用。
2011-11-23 cond-mat.stat-mech cs.SI physics.soc-ph
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
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 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
Identifying Core-Periphery Structures in Networks via Artificial Ants
本文提出一种受蚂蚁觅食行为启发的人工蚂蚁方法,通过人工信息素轨迹迭代构建解以检测网络核心-边缘结构,并在多种真实网络上验证了其优于传统方法的灵活性与准确性。
2024-11-14 cs.SI physics.soc-ph
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China(电子科技大学);Nanjing University of Finance and Economics(南京财经大学);University of Nottingham(诺丁汉大学);Sichuan Provincial Key Research Base of Social Science(四川省社会科学重点研究基地);Union Big Data Tech. Inc.(联合大数据技术有限公司)
现实世界中的许多系统都可以用时态网络来表达,其中节点在结构和功能上扮演着不同的角色,而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播,预测学术界的领军人物,为各种商品做广告等等,但在时序网络中,由于网络结构随时间变化,识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息,提出了一种基于特殊GCN和RNN相结合的新型有效学习框架,以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明,该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
Network Lens: Node Classification in Topologically Heterogeneous Networks
Rensselaer Polytechnic Institute(伦斯勒理工学院);Department of Computer Science, Rensselaer Polytechnic Institute(伦斯勒理工学院计算机科学系(此处按要求提取到大学级别,所以实际机构为伦斯勒理工学院))
我们研究的问题,识别不同的行为发生在不同的部分,一个大型的异构网络。我们使用不同大小的镜头放大网络,以捕捉网络的局部结构。然后对这些网络签名进行加权,为每个节点提供一组预测标签。我们实现了峰值精度的$\sim42\%$(随机= $11\%$)在两个网络与$\sim100,000$和$\sim1,000,000$节点。此外,即使给定节点连接到多达5种不同类型的网络,我们的性能也优于随机。最后,我们对同构网络进行了分析,结果表明,高度结构化的网络具有较高的同质性。
2019-01-15 cs.LG cs.SI stat.ML