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
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
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 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
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
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
Scalable Graph Neural Network-based framework for identifying critical nodes and links in Complex Networks
Kansas State University(堪萨斯州立大学);Columbia University(哥伦比亚大学)
识别图中的关键节点和链接是一项至关重要的任务。这些节点/链路通常表示在系统性能中起关键作用的关键元件/通信链路。然而,文献中关于识别关键节点/链接的大多数方法都是基于迭代方法,该方法一次探索图中的每个节点/链接,对图中的所有节点/链接重复。这种方法具有高计算复杂性,并且所得到的分析也是网络特定的。为了克服这些挑战,本文提出了一个可扩展的和通用的图神经网络(GNN)为基础的框架,以确定在大型复杂网络中的关键节点/链路。该框架定义了一个基于GNN的模型,该模型学习节点/链路的一个小的代表性子集上的节点/链路关键度得分。可以采用适当训练的模型来预测大型图中看不见的节点/链接的得分,从而识别最关键的节点/链接。该框架的可扩展性通过预测大规模合成网络和真实网络中的节点/链接得分来证明。所提出的方法是相当准确的近似的临界分数,并提供了一个显着的计算优势,传统的方法。
2021-05-10 cs.LG cs.SI
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
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
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 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 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
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
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
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
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
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 critical nodes in complex networks by graph representation learning
University of Electronic Science and Technology of China(电子科技大学);Union Big Data Tech. Inc.(联合大数据技术有限公司)
由于其广泛的应用,关键节点识别已成为网络科学微观层面的重要研究课题。影响力最大化是关键节点挖掘中的主要问题之一,通常采用启发式算法来处理。本文提出了一种深度图学习框架IMGNN,并设计了相应的训练样本生成方案。该框架以网络中节点的中心性作为输入,以节点在最优初始传播器中的概率作为输出。通过在大量小型合成网络上进行训练,IMGNN在固定感染规模下最小化初始传播者的大小方面比基于人类的免疫学更有效。在一个合成网络和五个真实网络上的实验结果表明,与传统的非迭代节点排序算法相比,当最终感染规模固定时,IMGNN在不同感染概率下具有最小的初始传播者比例. IMGNN的重新排序版本优于所有最新的关键节点挖掘算法。
2022-01-20 cs.LG cs.SI
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
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
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
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 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 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
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
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区,其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务,主要是由于社区的定义过多,算法难以处理,评估问题以及缺乏可靠的黄金标准真值。在本文中,我们研究了一组230个大型的现实世界的社会,协作和信息网络,其中节点显式地说明他们的组成员。例如,在社交网络中,节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后,我们提出了一种方法,使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义,并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现,13个结构的定义是高度相关的,自然分为四类。我们发现,这些定义中的两个,电导和三合会参与比,始终给出最好的性能,在确定真值社区。我们还研究了一个任务,检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法,该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善,目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
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
Unsupervised Learning for Identifying High Eigenvector Centrality Nodes: A Graph Neural Network Approach
NTU Singapore(新加坡南洋理工大学)
现有的计算特征向量中心性(EC)的方法往往不足以鲁棒地以低时间复杂度确定EC或者对于大型网络来说不具有良好的可扩展性,因此使得它们实际上不可靠/计算昂贵。因此,开发一种在低计算时间内可扩展的方法是至关重要的。因此,我们提出了一个深度学习模型,用于识别具有高特征向量中心性的节点。在用监督学习方法识别高排名节点方面已经有一些先前的工作,但是在现实世界的情况下,图没有被标记,因此部署监督学习方法变得危险并且其使用变得不切实际。因此,我们设计了CUL(Centrality with无监督学习)方法,以无监督的方式学习网络中的相对EC分数。为了实现这一点,我们开发了一个基于编码器-解码器的框架,该框架将节点映射到各自的估计EC分数。在不同的合成和真实世界的网络上进行了广泛的实验。我们比较了CUL对EC估计类似的一些过去的作品的基线监督方法。据观察,即使在极少量的训练数据集上进行训练,CUL在识别排名较高的节点时也比其监督的对应节点提供了相对更好的准确性得分。我们还表明,CUL是更快,有一个更小的运行时间比传统的基线方法EC计算。该代码可在https://github.com/codexhammer/CUL上获得。
2021-11-08 cs.AI cs.LG cs.SI
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
Katz Centrality of Markovian Temporal Networks: Analysis and Optimization
识别复杂网络中的重要节点是网络分析中的一个基本问题。虽然已经提出了过多的措施来识别静态中的重要节点(即,时不变)网络,但是在时间网络的上下文中缺乏工具(即,其连接性随时间动态变化的网络)。本文的目的是提出一种系统理论的方法来识别时间网络中的重要节点。在这个方向上,我们首先提出了一个推广流行的Katz中心性措施的家庭的马尔可夫时间网络使用工具的马尔可夫跳跃线性系统的理论。然后,我们表明,在马尔可夫时间网络的Katz中心可以有效地使用线性规划计算。最后,我们提出了一个凸规划优化Katz中心的一个给定的节点,通过调整的时间网络的权重,在一个具有成本效益的方式。数值模拟说明了所得结果的有效性。
2016-09-19 cs.SI physics.soc-ph
Community detection using preference networks
社区检测是识别网络中节点的集群或组的任务,其中同一组内的节点彼此之间的连接比与不同组中的节点之间的连接更多。它在识别许多生物、社会和计算机网络中节点的相似功能或角色方面具有实际用途。随着近年来超大型网络的出现,社区检测算法的性能和可扩展性变得至关重要,即如果算法的时间复杂度很高,则无法在大型网络上运行。在本文中,我们提出了一个新的社区检测算法,它具有一个本地的方法,是能够在大型网络上运行。它有一个简单而有效的方法;给定一个网络,算法构造一个节点的偏好网络,其中每个节点都有一个单独的外向边,表明其偏好节点与之处于同一社区。在这样的偏好网络中,每个连接的组件都是一个社区。优选节点的选择是使用基于相似性的节点度量来执行的。为此,我们使用两种替代方案,可以计算在1-邻域的节点,即选择器节点和它的邻居的共同邻居的数量和,周围的选择器节点的邻居的传播能力,这是计算的八卦算法的林德等人。我们的算法进行了测试,计算机生成的LFR网络和现实生活中的网络与地面真实的社区结构。它可以快速准确地识别社区。它是本地的,可扩展的,适合在大型网络上分布式执行。
2017-11-12 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
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
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
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 optimal targets of network attack by belief propagation
对于由节点和节点对之间的无向链路组成的网络,网络最优攻击问题的目标是删除最少数量的目标节点,以将网络分解为许多小组件。这个问题本质上与反馈顶点集问题相关,反馈顶点集问题由自旋玻璃理论和相关的置信传播引导抽取(BPD)算法成功地解决[H. J. Zhou,Eur. J. B 86(2013)455]。本文将具有近似线性时间复杂度的BPD算法应用于网络最优攻击问题,并证明了它比最近提出的集体信息算法[F. Morone和H. A. Makse,Nature 524(2015)63- 68],用于不同类型的随机网络和真实世界的网络实例。BPD引导的攻击方案往往会导致整个网络的突然崩溃,这可能会使防御变得非常困难。
2016-06-28 cond-mat.stat-mech cs.SI physics.soc-ph
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
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
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
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
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
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
Identifying Infection Sources and Regions in Large Networks
识别网络中的感染源,包括将传染病引入人口网络的索引病例,将计算机病毒注入计算机网络的服务器,或在社交网络中开始谣言的个人,在通过及时隔离感染源来限制感染造成的损害方面起着关键作用。我们考虑仅基于哪些节点被感染及其连接的知识,并且当源的数量先验未知时,估计网络中的感染源和感染区域(被每个源感染的节点子集)的问题。我们得到的感染源及其感染区域的估计的基础上近似的感染序列计数。我们证明,如果有最多两个感染源的几何树,我们的估计识别真正的源或源的概率去一个感染节点的数量增加。当有两个以上的感染源,当最大可能的感染源的数量是已知的,我们提出了一个算法的二次复杂性估计的实际数量和身份的感染源。对树网络、小世界网络和真实世界电网网络进行了仿真,并在两个真实数据集上进行了测试,验证了本文方法的有效性。
2013-03-19 cs.DM 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