Finding the proper node ranking method for complex networks
对节点重要性进行排序对于理解复杂网络的结构和功能至关重要。度、h指数和核度被广泛使用，但哪一个更适合于与动态过程相关的网络，例如SIR扩展过程，仍然不清楚。为了填补这一空白，提出了从节点邻域的每个半径中的平均节点数的拟合函数（f（x）= 1 - 1/（e ^（2a（x-b））+1））中提取的a。在20个真实网络上进行的实验结果表明，该算法可以区分度、h指数和核心度这3种度量中哪一种更适合于网络节点重要性的排序。我们还发现，[b/3]是一个很好的指标，用于预测节点的邻域的最佳半径，在给定的网络中对节点的重要性进行排名。据我们所知，这是这个有趣和开放问题的第一个解决方案。此外，通过扩大邻域的范围，我们构造一个操作H上的节点，我们提出了一种新的方法来量化的重要性的节点。当半径从0增加到其预测最优半径时，大多数网络的排序精度都得到了提高，最好的情况下，提高幅度可达111%。如果我们粗略地扩大邻域的半径，本文所研究的网络的性能将降低一半。我们的工作加深了对如何为复杂网络找到合适的节点排序方法的理解。所提出的方法弥补了网络结构和节点重要性之间的差距，在控制疾病爆发、设计最佳信息传播策略方面可能具有潜在的应用。
2018-12-27 cs.SI physics.soc-ph
On node ranking in graphs
受新冠疫情应用启发，本文综述无向无权图节点排序经典方法，在含社区结构的真实基准网络中对比性能，并推广Newman基准网络以分析加权场景下的排序变化。
2021-07-20 cs.SI physics.soc-ph
Importance Ranking in Complex Networks via Influence-aware Causal Node Embedding
School of Mathematics and Statistics, Northwestern Polytechnical University（数学与统计学学院，西北工业大学）；MOE Key Laboratory for Complexity Science in Aerospace, Northwestern Polytechnical University（航空复杂科学教育部重点实验室，西北工业大学）；College of Systems Engineering, National University of Defense Technology（系统工程学院，国防科技大学）
本文提出了一种基于因果表示学习的节点嵌入方法，用于在复杂网络中进行重要性排名，通过影响感知的因果模块和统一优化框架提升跨网络泛化能力。
2026-02-15 cs.AI cs.SI
The Multiple Instances of Node Centrality and their Implications on the Vulnerability of ISP Networks
网络拓扑中节点的位置在很大程度上决定了它们参与各种网络功能的程度。然而，许多节点中心性指数，提出量化如何中央个别节点在这方面，产生非常不同的观点，他们的相对重要性。我们在本文中的第一个贡献是，然后沿着几个属性，包括信息的类型（本地与全球）和计算所需的处理复杂性的中心性指数的详尽调查和分类。接下来，我们研究了互联网脆弱性的背景下，这些指数中最流行的七个，以解决文献中迄今为止尚未充分探讨的问题。首先，我们进行了相关性研究，以评估的一致性的节点排名，这些指数产生的ISP路由器级拓扑结构。对于每对指数，我们计算完整的排名相关性，这是文献中的标准选择，以及k个顶级节点之间的重叠百分比。然后，我们让这些排名指导高度中心节点的删除，并评估对网络的连通性和流量承载能力的影响。我们的研究结果证实，top-k重叠预测的比较影响的指标对网络的脆弱性比全排名的相关性。重要的是，本地计算的度中心性指数接近全球指数，对交通承载能力的影响最大，而其近似的连接能力是更多的拓扑依赖性。
2013-12-17 cs.SI
Simulating systematic bias in attributed social networks and its effect on rankings of minority nodes
网络分析提供了强大的工具来了解各种社会系统。然而，大多数分析隐含地假设所考虑的关系数据是无错误的，可靠的，准确地反映了系统进行分析。特别是如果网络由多个组组成，则该假设与文献中有充分记载的一系列系统偏差，测量误差和其他不准确性相冲突。为了研究这种错误的影响，我们引入了一个框架，用于模拟系统性偏差的属性网络。我们的框架使我们能够模拟由外部节点属性或（隐藏）网络结构本身引起的错误驱动的错误边缘观测。我们解释了系统的不准确性如何扭曲网络分析任务的少数民族代表在基于度的排名网络分析得出的结论。通过分析具有不同同质性水平和群体规模的合成和真实网络，我们发现引入系统性边缘误差会导致少数群体的排名大幅上升或下降。所观察到的效果取决于所考虑的边缘误差的类型和系统中的同质性水平。因此，我们得出结论，系统偏差的影响，边缘数据依赖于网络拓扑结构和类型的系统误差之间的相互作用。这强调了需要一个误差模型框架，在这里开发的，它提供了第一步，研究系统的边缘不确定性的影响，各种网络分析任务。
2021-07-06 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
Ranking and clustering of nodes in networks with smart teleportation
随机隐形传态是基于随机游动的有向网络的排序和聚类的必要条件。隐形传态使遍历的解决方案，但解决方案必须依赖于精确的实施和参数化的隐形传态。例如，在常用的PageRank算法中，隐形传态速率必须在严重偏差的解与均匀解之间进行权衡。在这里，我们表明，隐形传态的链接，而不是节点，使一个更平滑的权衡和有效地更强大的结果。我们还表明，通过不记录随机行走的隐形传态步骤，我们可以进一步减少隐形传态的影响，对聚类产生巨大的影响。
2012-06-02 cs.SI physics.soc-ph
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
Ranking the Importance Level of Intermediaries to a Criminal using a Reliance Measure
最近的研究发现，在一个网络中的重要中间结点涉嫌包含犯罪活动是高度依赖于网络的中心性值。例如，介数中心性被广泛用于对网络中连接所有源节点和所有端节点的最短路径中充当代理的节点进行排名。然而，最短路径节点介数和线性缩放介数都只能显示网络中所有节点的排名。在本文中，我们探索了对中间结点的配对依赖的数学概念，将该概念适用于犯罪关系，并引入了一种新的源-中间依赖度量。为了说明我们的措施，我们将其应用于排名安然电子邮件数据集和Noordin Top Terrorist网络中的节点。我们比较的依赖排名与谷歌PageRank，马尔可夫中心性以及介数中心性，并表明，刑事调查使用的依赖措施，将导致不同的优先级方面的可能的人进行调查。虽然Noordin Top恐怖分子网络节点的排名比Enron电子邮件交易网络产生更极端的差异，但在后者中，财务经理组的依赖值立即确定了另一名被判犯有洗钱罪的雇员。
2016-01-05 cs.SI physics.soc-ph
Ranking the spreading influence in complex networks
识别网络中节点的传播影响力是优化网络结构、确保信息更有效传播的一项重要任务。本文通过考虑目标节点与$k$ -core值最大的节点集之间的最短距离，提出了一种改进的排序表生成方法来评估节点的传播影响力。通过与4个真实网络和Barabási-Albert网络的传播过程结果比较，无参数方法比度$k$、贴近中心度、$k$ -壳和混合度分解方法更能准确地识别节点传播影响.这将有助于深入理解网络中节点的重要性。
2014-08-20 cs.SI physics.soc-ph
Ranking the spreading influence of nodes in complex networks based on mixing degree centrality and local structure
网络的安全性和健壮性已经引起了各界人士的关注，几个关键节点的损坏将导致极其严重的后果。提出了一种基于节点自身H指数和相邻节点相对距离的聚类H指数混合中心度算法。从节点本身出发，结合节点周围的拓扑结构，确定节点的重要性及其传播能力。为了评估该方法的性能，我们使用易感-感染-扩散（SIR）模型，单调性和分辨率作为实验的评价标准。在人工网络和真实网络中的实验结果表明，CHM中心性在识别节点重要性及其传播能力方面具有良好的性能。
2020-03-07 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
Endorsement Deduction and Ranking in Social Networks
一些社交网络，如LinkedIn和ResearchGate，允许用户为特定技能背书。通过这种方式，对于每个技能，我们得到一个有向图，其中节点对应于用户的配置文件，弧表示认可关系。根据收到的认可的数量和质量，可以为每个简档分配权威评分。在本文中，我们提出了一个权威评分计算方法，考虑到不同的技能之间存在的关系。我们的方法是基于丰富的信息中所包含的有向图的背书对应于一个特定的技能，然后应用排名方法承认加权有向图，如PageRank。我们描述的方法，并测试它的合成网络的1493个节点，安装背书。
2015-10-07 cs.SI
Ranking of nodes of networks taking into account the power function of its weight of connections
要对社会性质的准层次网络中的节点进行排名，必须对网络进行详细分析，并根据所有给定的标准评估所获得的结果，并确定最具影响力的节点。现有的排名算法在绝大多数估计这样的网络一般，这不允许清楚地确定节点之间的影响。在研究的过程中，已知的算法的结果进行排名的HITS，PageRank的节点的分析，并比较所获得的数据与专家评价的网络。为了有效地分析准层次网络，HITS的基本算法进行了修改，它允许评估和排名节点根据给定的标准（之间的输入和输出链接的数量），这对应于专家评估的结果。结果表明，在某些情况下，收到的方法提供了与真实社会关系相对应的结果，以及节点作者的指数--预先分配的社会角色。
2017-11-14 cs.NI cs.SI 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
Influence Ranking Improvement via Link Addition in Social Networks
Graduate School of Science and Technology, University of Tsukuba（筑波大学科学技术研究院）；Institute of Systems and Information Engineering, University of Tsukuba（筑波大学系统信息工程学院）
本研究探讨通过添加少量出链提升社交网络中目标节点的影响力排名，提出贪心和随机搜索两种策略，实验表明少量链接即可显著提升排名，并揭示了排名提升与计算效率的权衡。
2026-09-30 cs.SI
Node seniority ranking
图论的最新进展表明，仅使用图拓扑来识别网络中最老的节点是可能的。在这里，我们报告的应用程序异构现实世界的网络。为此，为了获得新的见解，我们提出了埃斯特拉达沟通性的理论框架。我们将其应用到两个技术网络（一个地下网络，一个局域网中的软件蠕虫的扩散）和第三个网络代表霍乱爆发。尽管在其图的邻接矩阵中引入了错误，但最老节点的识别是可行的，在很小的误差范围内，并且非常简单。应用包括搜索最初的疾病传播者（零号病人问题）、社交网络中的谣言、计算机网络中的恶意软件、停电中的触发事件、最古老的城市站点识别。
2014-02-25 cs.SI physics.soc-ph
Ranking the Importance of Nodes of Complex Networks by the Equivalence Classes Approach
识别复杂网络中节点的重要性对于社交网络、生物网络等的研究具有重要意义。目前研究者已经提出了介数、PageRank和HITS等度量方法或算法，来识别节点的重要性。然而，这些措施是基于不同方面的属性的节点，往往与其他冲突。需要一个合理、公平的标准来评价和比较这些算法。本文提出了一个框架作为标准的节点的重要性排名。提出了四种直观的节点重要性度量规则，并采用等价类方法解决冲突和聚集规则的结果。为了定量地比较算法，性能指标也提出了基于相似性度量。三个广泛使用的现实世界的网络被用作测试床。实验结果表明，该框架的可行性，并表明这两个算法，PageRank和HITS，在处理测试网络时，具有良好的偏见。此外，本文使用所提出的方法来分析互联网的结构，并得出了互联网的内核与密集的链接。
2012-11-23 cs.SI physics.soc-ph
Ranking Research Institutions Based On Related Academic Conferences
社交网络中有影响力节点的检测是一个活跃的研究领域，具有许多有价值的应用，包括营销和广告。KDD Cup 2016作为学术界的一项新应用，针对学术领域内机构缺乏客观排名的问题，提出了一种解决方案。该方案将学术领域定义为社交网络，其节点是该领域内活跃的机构，最有影响力的节点代表贡献最大的机构。该解决方案能够提供活跃机构在其特定领域内的排名。问题陈述提供了一个基于出版物的机构年度评分机制，并鼓励使用任何公开的数据集，如微软学术图表（MAG）。竞赛的重点是选定会议的研究出版物，并要求预测2016年这些会议中活跃机构的排名。应该注意的是，论文提交的结果，因此KDD杯的地面真理在比赛时是未知的。每个团队的最终排名名单在结果发布后由一个名为NDCG@20的指标进行评估。这个指标被用来表示每个团队的建议排名和实际排名之间的距离。从2011年开始计算各机构的得分后，我们通过将历年的标准化得分相加并使用最终得分集来提供最终排名。由于2016年的真实数据未知，我们使用了2011-2014年的分数，并将2015年的出版物作为评估我们聚合方法的测试平台。根据测试，对归一化分数进行求和，使我们最接近2015年的实际排名，并使用相同的启发式来预测2016年的结果。
2016-11-27 cs.SI
UniqueRank: Identifying Important and Difficult-to-Replace Nodes in Attributed Graphs
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
Reverse Ranking by Graph Structure: Model and Scalable Algorithms
网络中的距离捕获节点之间的关系，并且是中心性、相似性和影响度量的基础。然而，通常，节点$u$与节点$v$的相关性不是通过距离的大小，而是通过比$u$更接近$v$的节点的数量来更精确地测量。也就是说，通过增加与$v$的距离的节点排序中的$u$的{ \em秩}。我们确定并解决基于排名的图挖掘的基本挑战。我们首先考虑单源计算的反向排名和设计一个“Dijkstra样”算法，计算节点的顺序增加近似的反向排名，而只遍历边缘相邻的返回节点。然后，我们定义{ \em反向秩影响}，它自然地扩展了反向最近邻影响[Korn和Muthukrishnan 2000]，并建立在一个充分研究的基于距离的影响。我们提出了贪婪近似反秩影响力最大化的近线性算法。该设计依赖于我们的单源算法。我们的算法利用网络的近线性预处理来计算所有距离的草图。作为一个独立的利益的贡献，我们提出了一种新的算法来计算这些草图，这有许多其他的应用程序，多核架构。我们补充我们的算法，建立一个单一的源和{ \em精确}逆秩影响的计算{\em精确}逆秩的硬度。这意味着当使用近线性算法时，我们获得的小相对误差是我们目前所能希望的最好结果。最后，我们对具有数千万条边的图进行了实验评估，证明了可扩展性和准确性。
2016-02-24 cs.SI
Fatigued PageRank
实体之间的联系无处不在。从社交媒体交互到网页超链接，网络经常被用来表示这样的复杂系统。节点排序是一项基本任务，它提供了根据多个标准识别中心实体的策略。流行的节点排名指标包括度，接近度或介数中心，以及HITS权威或PageRank。在这项工作中，我们提出了一种新的节点排名指标，我们结合PageRank和节点疲劳的想法，以模拟一个随机的浏览器谁想要优化覆盖-它变得疲劳，并避免以前访问过的节点。我们形式化和计算的PageRank，评估它作为一个节点的排名指标，以及查询独立的证据在特设文件检索。基于简单的英文维基百科链接图与点击流转换从英文维基百科，我们发现，pagegued PageRank是能够超越两个indegree和HITS的权威，但仅对排名靠前的节点。另一方面，根据TREC华盛顿邮报语料库，我们无法超越BM 25基线，所有基于图的指标都获得了类似的性能，除了indegree，它降低了GMAP和MAP，但增加了NDCG@10和P@10。
2021-04-14 cs.IR cs.SI
IMRank: Influence Maximization via Finding Self-Consistent Ranking
影响力最大化是口碑营销和病毒式营销的基础，其目标是寻找一组种子节点，使社交网络上的影响力传播最大化。早期的方法主要分为两种范式，有一定的优点和缺点：（1）贪心算法，一个接一个地选择种子节点，提供了一个有保证的精度依赖于影响传播的精确近似与高计算成本;（2）启发式算法，使用有效的启发式算法估计影响传播，具有较低的计算成本，但精度不稳定。我们首先指出，贪心算法本质上是找到一个自洽的排名，其中节点的排名是一致的，他们的排名为基础的边际影响传播。这种洞察力促使我们开发一个迭代排名框架，即，IMRank，有效解决独立级联模型下的影响力最大化问题。从初始排名开始，例如，一个从有效的启发式算法，IMRank找到一个自我一致的排名，通过重新排序节点迭代根据他们的排名为基础的边际影响传播计算根据当前的排名。我们还证明了IMRank绝对收敛到一个自洽的排名从任何初始排名开始。此外，在这个框架内，最后到第一分配策略和推广这种策略，提出了提高效率的估计基于排名的边际影响力传播给定的排名。通过这种方式，IMRank通过同时利用贪心算法和启发式算法的优点来实现显着的效率和高准确性。在大规模真实社交网络上的大量实验表明，IMRank总是达到与贪婪算法相当的高精度，计算成本大大降低，甚至比其他可扩展算法快$10-100$倍。
2014-02-17 cs.DS cs.SI
Degree Ranking Using Local Information
大多数真实世界的动态网络都随着时间的推移而快速发展。在任何给定时间收集整个网络来研究其特性是不可行的。这就需要提出局部算法来研究网络的各种属性。在目前的工作中，我们估计度排名的一个节点，而没有整个网络。所提出的方法是基于幂律度分布特性或采样技术。所提出的方法模拟合成网络，以及在现实世界的社交网络。所提出的方法的效率进行评估，使用绝对和加权误差函数。结果表明，仅使用网络规模的$1\%$样本就可以高精度地估计节点的度秩。估计的准确性从高排名到低排名节点降低。我们进一步扩展了随机网络的方法，并验证了其效率的合成随机网络，使用Erdens-Rényi模型生成。结果表明，所提出的方法可以有效地用于随机网络以及。
2017-06-10 cs.SI
Blind Inference of Eigenvector Centrality Rankings
我们考虑的问题，估计网络的特征向量中心只从节点上的数据，没有关于网络拓扑结构的信息。利用图滤波器的多功能性来建模网络过程，节点上支持的数据被建模为通过应用于白噪声的图滤波器的输出获得的图信号。我们试图通过绕过网络拓扑推断方法来简化中心性排名的下游任务，而是直接从图信号推断图的中心性结构。为此，我们提出了两个简单的算法排名一组节点连接的一组未观察到的边缘。我们推导出这些算法的渐近和非渐近保证，揭示了决定手头任务复杂性的关键特征。最后，我们说明了所提出的算法在合成和真实世界的数据集上的行为。
2020-08-26 cs.SI eess.SP
Ranking nodes in growing networks: When PageRank fails
PageRank可以说是最流行的排名算法，它被应用于从信息到生物和基础设施网络的实际系统中。尽管它在不同的科学领域中非常受欢迎和广泛使用，但算法的功效与其作用的网络属性之间的关系尚未完全理解。我们在这里研究PageRank的性能支持真实数据的网络模型，并表明现实的时间效应使PageRank失败的个性化最有价值的节点的广泛的模型参数。真实数据的结果与我们基于模型的研究结果在定性上一致。这种失败的PageRank揭示了静态的信息过滤方法是不合适的一个广泛的增长系统类，并建议，时间依赖的算法，这些系统的时间链接模式的基础上，需要更好地排名的节点。
2015-09-03 cs.IR cs.SI physics.soc-ph
Most central or least central? How much modeling decisions influence a node's centrality ranking in multiplex networks
Kaiserslautern University of Technology（凯泽斯劳滕工业大学）
为了理解一个节点在多路复用网络中的中心性，可以聚合它在网络所有层中的中心性值。这需要对值进行规范化，以便在不同大小和顺序的网络上进行有意义的比较和聚合。在网络分析论文中，几乎从未讨论过归一化和聚合等预处理步骤的具体选择。在本文中，我们表明，即使坚持最简单的中心性指标（度），但使用不同的，经典的选择的规范化和聚合策略，可以把一个节点从最中心的是最不中心的。我们提出了我们的研究结果，通过使用不同的，经典的聚合策略的基础上三个多路复用网络之间的聚合运营商的规模。我们还介绍了节点对复用网络中标准化和聚合策略选择的敏感性的新可视化和表征。观察到的单个节点对聚合和标准化策略的特定选择的高度敏感性非常重要，特别是对于各种智能分析软件，因为它质疑对结果的解释。
2016-06-17 cs.AI cs.SI
Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Ranking
Technical University of Munich（慕尼黑工业大学）
学习图中节点表示的方法在网络分析中起着关键作用，因为它们可以实现许多下游学习任务。我们提出了Graph 2Gauss-一种可以有效地学习大规模（属性）图上的通用节点嵌入的方法，这些图在链接预测和节点分类等任务上表现出强大的性能。与大多数将节点表示为低维连续空间中的点向量的方法不同，我们将每个节点嵌入为高斯分布，从而使我们能够捕获有关表示的不确定性。此外，我们提出了一种无监督的方法，处理归纳学习的情况下，适用于不同类型的图：平原/属性，有向/无向。通过利用网络结构和相关的节点属性，我们能够在没有额外训练的情况下推广到看不见的节点。为了学习嵌入，我们采用了个性化的排名公式w.r.t.节点距离利用了网络结构所强加的节点的自然排序。在真实网络上的实验证明了我们的方法的高性能，在几个不同的任务上优于最先进的网络嵌入方法。此外，我们还展示了建模不确定性的好处-通过分析它，我们可以估计邻域多样性并检测图的内在潜在维度。
2018-02-27 cs.LG cs.SI stat.ML
Temporal Walk Centrality: Ranking Nodes in Evolving Networks
我们提出了时间步行中心性，它量化了一个节点的重要性，通过测量其能力，以获得和分发信息的时间网络。与广泛使用的介数中心性相反，我们假设信息不一定在最短路径上传播，而是在满足网络时间约束的时间随机游走上传播。我们发现，时间步行中心性可以识别节点发挥中心作用的传播过程中，可能无法检测到相关的介数概念和其他常见的静态和时间的中心性措施。我们提出了精确的和近似算法不同的运行时间取决于时间网络的属性和我们的新的中心性措施的参数。一个技术的贡献是一个通用的方法来提升现有的代数方法计算静态网络的时间网络中的行走。我们在真实世界的时态网络上的实验表明，我们的算法的效率和准确性。最后，我们证明了时间步行中心性的排名通常与其他最先进的时间中心性的排名显着不同。
2022-02-08 cs.DS cs.IR cs.SI
Ranking Competitors Using Degree-Neutralized Random Walks
竞争在许多复杂的生物、社会和技术系统中普遍存在，在系统的进化动力学中起着不可或缺的作用。根据竞争的结果来确定系统中为生存和成功而竞争的组成部分的支配等级或排名通常是有用的。在这里，我们提出了一个排名方法的基础上的网络上的随机游走表示的竞争对手的节点和竞争的有向边与不对称的权重。我们使用边缘权重和节点度来定义每个边缘上的梯度，该梯度引导随机游走器朝向较弱（或较强）的节点，这使我们能够将稳态占用解释为节点的弱点（或强度）的度量，该节点没有不必要的度引起的偏差。我们将我们的方法应用于两个真实世界的竞争网络，并探讨了排名稳定性和预测精度的问题，发现我们的方法优于其他方法，包括在稀疏网络中的基线输赢差分方法。
2016-08-10 cond-mat.stat-mech cs.SI physics.soc-ph
Control contribution identifies top driver nodes in complex networks
我们提出了一个新的措施来量化的影响，一个节点$i$在控制有向网络。这种度量称为“控制贡献”$\mathcal{C}_{i}$，它将节点$i$出现在一组驱动节点中的概率与其他节点受$i$控制的概率结合起来。为了计算$\mathcal{C}_{i}$，我们提出了一种基于随机样本的最小驱动集的优化方法。使用真实世界和合成网络，我们发现非常广泛的分布$C_{i}$。根据节点的$C_{i}$值对节点进行排名，可以让我们识别出控制大部分网络的顶级驱动节点。我们表明，这种排名是优于基于控制能力或控制范围的排名。我们发现，控制贡献确实包含了新的信息，不能追溯到度，控制能力或控制范围的一个节点。
2019-06-11 cs.SI nlin.AO physics.comp-ph
Rankings in the Zerkani network by a game theoretical approach
本文介绍了Banzhaf和Banzhaf-Owen值作为新的中心性措施，在网络中的恐怖分子排名。这种新的方法可以集成网络的完整拓扑结构（即节点和边）和网络节点上的联盟结构。更确切地说，节点的特性（例如，恐怖分子）及其可能的关系（例如，通信链路的类型），以及独立于网络的联盟信息（例如，层次的级别）。首先，对于这两种中心性度量，我们给出了近似算法和相应的R-码。其次，作为说明，我们对Zerkani网络的成员进行了排名，这些成员对巴黎（2015年）和布鲁塞尔（2016年）的袭击负责。最后，我们给出了Banzhaf和Banzhaf-Owen建立的排名和使用Shapley值时获得的排名之间的比较（参见。Hamers等人，2019）和欧文值作为中心性度量
2022-02-11 cs.SI math.ST stat.TH
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
Ranking spreaders by decomposing complex networks
对网络中节点的传播能力进行排序是一个基本问题，它涉及到信息和疾病控制等实际应用。在以前的文献中，一个网络分解过程称为k壳方法已被证明可以有效地识别最有影响力的传播者。本文发现，k壳方法在对网络中所有节点进行排序时存在一定的局限性。我们还发现，这些限制是由于在分解网络时只考虑剩余节点之间的链接（剩余度），而完全忽略了连接到删除节点的所有链接（耗尽度）。因此，我们提出了一个混合度分解（MDD）的过程中，剩余度和耗尽度都考虑。通过模拟真实网络上的流行病传播过程，我们证明了MDD方法在对传播者进行排序时的性能优于k-shell和度方法。最后讨论了网络结构对MDD方法性能的影响。
2012-04-19 cs.SI physics.comp-ph physics.soc-ph
Resolution of ranking hierarchies in directed networks
识别有向图中节点的层次结构和排名在许多应用中是基础的，例如社会网络分析、生物学、经济学和金融学。最近提出的一种方法确定的层次结构，通过寻找有序分区的节点，最大限度地减少得分函数，称为痛苦。该函数根据违反的强度来惩罚违反层次结构的链接。为了研究等级层次的分辨率，我们引入了一个随机图的合奏，排名随机块模型。我们发现，痛苦可能无法识别层次结构时，结构不够强大，类的大小是相对于整个网络小。我们分析了分辨率阈值，我们表明，一个迭代版本的痛苦可以部分克服这个分辨率限制。
2017-07-04 cs.SI physics.soc-ph
Graph Ranking and the Cost of Sybil Defense
本文将图排序者与垃圾信息发送者的互动建模为博弈，提出以抗垃圾信息能力和失真评估排序函数，并证明 Google 使用的 Min-PPR 兼具低失真与高抗攻击性。
2023-06-01 cs.DS cs.SI
Indirect Influences, Links Ranking, and Deconstruction of Networks
PWP图是由第二作者引入的，作为对网络中的节点进行排名的工具。在这项工作中，我们扩展了这种技术，使它可以用来排名链接以及。应用Girvan-Newman算法，将一种链路排序方法引入网络的解构方法，从而得到了寻找网络聚类和核心-外围结构的新方法。
2018-03-20 cs.SI math.CO
A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes
Delhi Technological University（德里理工大学）；University of Technology Sydney（悉尼科技大学）
近年来，社交网络平台在大众中获得了显著的普及，如与人联系，传播思想和观点。这为这些平台上的用户特定广告和推荐打开了大门，并带来了对社交网络上影响力最大化（IM）的极大关注，因为它在目标广告，病毒式营销和个性化推荐中具有广泛的适用性。IM的目的是识别网络中的某些节点，这些节点可以帮助通过扩散级联最大化某些信息的传播。虽然已经提出了几个工程IM，大多数是低效的，充分利用社区结构。在这项工作中，我们提出了一个社区结构为基础的方法，它采用了K-Shell算法，以产生一个分数的种子节点和社区之间的连接低预算的情况下。此外，我们的方法在社区内使用熵，以确保社区内信息的正确传播。我们选择了独立级联（IC）模型来模拟信息传播，并在四个评价指标上对其进行评价。我们在八个公开可用的网络上验证了我们提出的方法，并发现它在这些指标上的表现明显优于基线方法，同时仍然相对有效。
2022-11-17 cs.AI cs.SI
Blind Inference of Centrality Rankings from Graph Signals
我们研究了盲中心性排序问题，我们的目标是仅从节点观测值推断节点的特征向量中心性排序，即，而没有关于网络拓扑的信息。我们将这些节点观测值形式化为图形信号，并将其建模为底层（未观测）网络上的网络过程的输出。提出了一种简单的谱算法来估计相关邻接矩阵的前导特征向量，从而作为中心性排名的代理。有限速率的性能分析的算法，我们发现一个下界的图形信号的数量需要正确的排名（高概率）两个感兴趣的节点。然后，我们专门我们的一般分析密集的\ER图，现有的图形理论的结果可以利用的特定情况下。最后，我们说明了所提出的算法通过数值实验在合成和真实世界的网络，特别强调网络功能如何影响性能。
2019-10-24 cs.SI eess.SP
Predicting link directions via a recursive subgraph-based ranking
链接方向对网络的功能至关重要，它们的预测有助于从不完整的真实世界数据中更好地了解有向网络。研究了利用剩余环的存在性和方向来预测剩余环的方向的问题。我们提出了一个解决方案，首先排名节点在一个特定的顺序，然后预测每个链接从一个排名较低的节点向一个排名较高的。所提出的排名方法递归地工作，通过利用多个尺度上的本地指标，每个指标对应于从原始网络中提取的子图。在真实网络上的实验表明，我们的方法可以正确地恢复相当一部分链接的方向，这优于纯粹的本地或全球的方法。
2012-06-28 cs.SI physics.soc-ph
Diversity in Ranking using Negative Reinforcement
Indian Institute of Science（印度科学研究所）
在本文中，我们考虑的问题的多样性在一个图中的节点的排名。任务是选择图中的前k个节点，它们既是“中心”又是“多样”的。许多基于图的自然语言处理模型，如文本摘要、意见摘要，在生成摘要时都涉及到多样性的概念。我们开发了一种新的方法，其工作在一个迭代的方式基于随机游走，以实现多样性。具体来说，我们使用负强化作为一个主要工具，在个性化PageRank框架中引入多样性。在两个基准数据集上的实验表明，该算法与现有的方法相比具有很强的竞争力。
2012-07-27 cs.AI cs.IR cs.SI
Resampling community detection to maximize propagation in complex network
识别复杂网络中的重要节点在理论和应用领域都具有重要意义。少数这样的节点具有决定信息传播的确定性能力，因此在网络中找到一组最大化传播的节点是很重要的。在基线排序方法的基础上，提出了各种改进方法，但目前还没有一种改进方法能覆盖所有的基线排序方法。本文提出了一种基于节点局部社区信息的RCD-Map（restaurant社区发现的简称）方法，以最大化传播为目标，对度中心性、贴近度中心性、节点间中心性、K-shell和PageRank五种基本排序方法进行了改进。为了减少重叠和非重叠两种社区发现方法带来的偏差和随机性，我们对原始图进行了扰动。为了评估我们的识别方法的性能，SIR（易感染-感染-恢复）模型被用来模拟信息传播过程。结果表明，惩罚的方法表现更好的传播范围更大的一般。
2022-11-26 cs.SI
Tackling information asymmetry in networks: a new entropy-based ranking index
信息是社会经济系统中各行为体的宝贵资产，其中很大一部分信息被纳入各行为体之间的联系网络。事实上，代理人建立的不同的相互联系模式可能导致网络结构知识的不对称;由于这需要不同的量化相关系统属性（例如，负债网络中的金融传染风险）的能力，能够更好地估计（否则）无法获得的网络属性的代理人最终具有竞争优势。在本文中，我们首次解决了网络拓扑结构所产生的信息不对称的量化问题。为了这个目的，我们定义了一个新的指数- InfoRank -旨在衡量每个节点所拥有的信息的质量，计算香农熵的合奏条件下的节点特定的信息。此外，我们测试我们的新的排名过程中的（不可访问的）网络结构的重建精度方面的性能，并表明它优于其他流行的中心性措施，在确定“信息最丰富”的节点。最后，我们讨论了网络信息不对称的社会经济影响。
2017-10-26 cs.SI physics.soc-ph
Topology-Aware Graph Pooling Networks
Iowa State University（爱荷华州立大学）；Texas A&M University（得克萨斯农工大学）
池化操作已被证明对计算机视觉和自然语言处理任务有效。在图数据上执行池化操作的一个挑战是缺乏在图上没有良好定义的局部性。以前的研究使用全局排序方法对一些重要节点进行采样，但大多数都不能结合图的拓扑结构。在这项工作中，我们提出了拓扑感知池（TAP）层，明确考虑图形拓扑。我们的TAP层是一个两阶段的投票过程，选择图中更重要的节点。它首先执行本地投票，通过让每个节点参加其相邻节点来为每个节点生成分数。分数在本地生成，使得拓扑信息被明确地考虑。此外，图的拓扑结构被纳入到全局投票中，以计算整个图中每个节点的全局重要性得分。总而言之，每个节点的最终排名得分是通过结合其本地和全局投票得分来计算的。为了鼓励更好的图形连接的采样图，我们建议添加一个图形连接项的排名分数的计算。图分类任务的结果表明，我们的方法比以前的方法实现了更好的性能。
2020-10-19 cs.LG cs.SI
The interplay between ranking and communities in networks
社区发现和层次提取通常被认为是网络上独立的推理任务。在研究真实世界的数据时，只考虑两者之一可能过于简单化。在这项工作中，我们提出了一个生成模型的基础上社区和层次结构之间的相互作用。它假设每个节点在交互机制中有一个偏好，具有相同偏好的节点更有可能进行交互，而异构交互仍然是允许的。利用网络的稀疏性来实现更有效的算法。我们证明了我们的方法在合成和真实世界的数据和性能比较与两个标准的方法社区发现和排名提取。我们发现，该算法准确地检索整体节点的偏好在不同的情况下，我们表明，它可以区分小的子集的节点的行为不同于大多数。因此，该模型可以识别网络是否具有总体偏好的交互机制。这在没有关于什么结构可以很好地解释所观察到的网络数据集的明确“先验”信息的情况下是相关的。我们的模型允许从业者从数据中自动学习这一点。
2022-05-13 cs.SI physics.data-an physics.soc-ph
Link Prediction via Graph Attention Network
Beijing Normal University（北京师范大学）
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接，是网络科学中的一个基本问题，有着广泛的应用前景。然而，传统的链接预测方法既不具有高的预测精度，也不能揭示隐藏在链接后面的信息。为了解决这个问题，我们将深度学习的最新技术推广到图上，并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示，而是使用链接作为监督信息。在五个图上的实验表明，DeepLinker不仅能够达到最先进的链接预测精度，而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的，但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
Neural-Brane: Neural Bayesian Personalized Ranking for Attributed Network Embedding
Indiana University Purdue University Indianapolis（印第安纳大学与普渡大学印第安纳波利斯联合分校）；Facebook Inc.（脸书公司）；IBM Research（IBM研究院）
近年来，网络嵌入方法，即学习网络中每个顶点的分布式向量表示，引起了人们的极大兴趣。现有的工作已经证明，通过嵌入方法学习的顶点表示在许多现实世界的应用中提供了优越的性能，例如节点分类，链接预测和社区发现。然而，大多数用于网络嵌入的现有方法仅利用顶点的拓扑信息，而忽略了在所有现实生活网络中丰富的节点属性（例如，在线社交网络的用户简档或引文网络的文本内容）的集合。考虑属性和关系信息的联合网络嵌入需要完整的网络信息，并且可以进一步丰富学习的矢量表示。在这项工作中，我们提出了神经膜，一种新的神经贝叶斯个性化排名的属性网络嵌入。对于给定的网络，Neural-Brane利用统一网络拓扑信息和节点属性的神经网络模型提取节点的潜在特征表示，并利用贝叶斯个性化排序目标，利用相似节点对和不相似节点对之间的邻近度排序.我们通过在四个真实世界的数据集上解决节点分类和聚类任务来评估Neural-Brane产生的顶点嵌入的质量。实验结果表明，我们提出的方法优于国家的最先进的现有方法。
2018-08-20 cs.LG cs.SI stat.ML
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
Supervised and Extended Restart in Random Walks for Ranking and Link Prediction in Networks
给定一个真实世界的图，我们如何衡量排名和链接预测的相关性分数？带重启的随机游走（RWR）为此提供了极好的测量，并且已经应用于各种应用，诸如朋友推荐、社区发现、异常检测等。然而，RWR遭受两个问题：1）对所有节点使用相同的重新开始概率限制了随机游走的表现力，以及2）在没有理论证明的情况下，需要为每个应用手动选择重启概率。我们在本文中有两个主要贡献。首先，我们提出了带扩展重启的随机游走（RWER），这是一种基于随机游走的度量，通过对每个节点使用不同的重启概率来提高随机游走的表达能力。改进的表现力导致了更高的排名和链接预测的准确性。其次，我们提出了SuRe（监督重启RWER），从给定的图学习RWER的重新启动概率的算法。SuRe消除了为RWER手动选择重启参数的需要。大量的实验表明，我们提出的方法提供了最好的性能排名和链接预测任务，提高MAP（平均平均精度）的最佳竞争对手高达15.8%。
2017-10-18 cs.SI physics.soc-ph
Locating Contagion Sources in Networks with Partial Timestamps
研究了当传染过程的部分时间戳可用时，传染源的识别问题。我们制定的源定位问题作为一个排名问题的图形，其中受感染的节点排名根据其可能性的来源。提出了两种基于代价的排序算法（CR）和基于树的排序算法（TR）。与合成和真实世界的数据的实验评估表明，我们的算法显着提高排名的准确性相比，现有的四个算法。
2014-12-12 cs.SI physics.soc-ph
Multiplex PageRank
许多复杂系统可以被描述为多路复用网络，其中相同的节点可以在不同的层中彼此交互，从而形成一组交互和共同进化的网络。这种多重系统的例子是社交网络，其中人们参与不同类型的关系并通过各种形式的通信媒体进行交互。多重网络中节点的排序问题是当前复杂网络研究面临的最紧迫、最具挑战性的课题之一。当节点对可以通过多个链路和多个层连接时，节点的排名必须反映节点在一个层中的重要性以及它们在其他相互依赖的层中的重要性。在本文中，我们借鉴有偏随机游走的思想来定义多重PageRank中心性度量，其中直接考虑了网络之间的相互作用对节点中心性的影响。特别是，根据层之间的相互作用的强度，我们定义的加法，乘法，组合，和中性版本的多重PageRank，并显示每个版本如何反映在何种程度上一个节点的重要性在一个层影响的重要性节点可以获得在另一个层。我们讨论这些措施，并将其应用到一个在线多元化的社会网络。研究结果表明，考虑到网络的多重性，有助于发现不同的排名从一个单一的层获得的节点的排名的出现。结果提供了支持，有利于多个中心的措施，如多重PageRank的显着性，用于评估嵌入在多个相互作用的网络中的节点的突出性，并为脱落的结构特性，否则将保持未检测到的，如果每个相互作用的网络进行了分析，在隔离的新光。
2013-09-23 cond-mat.stat-mech cs.SI physics.soc-ph
Reconstructing dynamical networks via feature ranking
Faculty of Information Studies in Novo Mesto（新梅斯托信息研究学院）；Universitat Pompeu Fabra（庞培法布拉大学）；Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
关于实际复杂系统的经验数据越来越多。与此并行的是，需要新的方法来重建（推断）网络的拓扑结构，从时间分辨的观察，他们的节点动态。基于物理洞察的方法通常依赖于对仔细检查的网络的属性和动态的强假设。在这里，我们使用机器学习的见解来设计一种新的网络重建方法，基本上没有这样的假设。具体来说，我们将可用的轨迹（数据）解释为特征，并使用两种独立的特征排序方法--随机森林和RReliefF --对每个节点的重要性进行排序，以预测每个其他节点的值，从而产生重建的邻接矩阵。我们表明，我们的方法是相当强大的耦合强度，系统的大小，轨迹长度和噪声。我们还发现，重建质量强烈依赖于动力学制度。
2019-08-26 cs.LG cs.SI math.DS
The long-term impact of ranking algorithms in growing networks
当我们在线搜索内容时，我们不断地接触到排名。例如，网络搜索结果以排名的形式呈现，在线书店经常向我们展示畅销书的列表。虽然基于流行度的排名算法（如Google的PageRank）在以前的作品中已经得到了广泛的研究，但我们仍然缺乏对其潜在系统性后果的清晰理解。在这项工作中，我们通过引入一个新的网络增长模型来填补这一空白，该模型允许我们比较在不同排名算法的影响下生成的网络的属性。我们表明，通过校正基于流行度的排名算法的无所不在的年龄偏差，由此产生的网络表现出显着更大的协议之间的节点的内在质量和他们的长期流行度，和一个不太集中的流行度分布。为了进一步促进流行的多样性，我们引入并验证了扰动的原始排名，其中一小部分随机选择的节点被提升到排名的顶部。我们的研究结果向基于模型的理解基于流行度的排名算法的长期影响迈出了第一步，并可用作改进信息过滤工具设计的信息工具。
2018-11-20 cs.CY cs.IR cs.SI
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
