On Decay Centrality
我们建立了一个衰减中心性和两个广泛使用的和计算成本较低的中心性措施,即程度和接近度之间的关系。我们发现,对于较低的衰减参数的值,具有最大衰减中心性的节点也具有最大程度,而对于较高的衰减参数的值,它们也最大化接近。对于中间值,我们提供了足够的条件,允许比较不同节点的衰减中心性,我们通过数值模拟表明,在绝大多数网络中,具有最大衰减中心性的节点的特征在于衰减参数的阈值,低于该阈值,它们属于具有最大程度的节点集,高于该阈值,它们属于具有最大接近度的节点集。我们还提出了一个简单的经验法则,确保一个接近最优的选择,具有很高的概率。
2017-01-04 cs.SI physics.soc-ph
Closeness Centrality Algorithms For Multilayer Networks
本文针对多层网络中心性计算中聚合转换导致结构语义损失和效率低下的问题,提出基于解耦和组合函数的紧密度中心性直接计算方法,并设计两种启发式组合策略,在合成与真实图上验证了其准确性和并行高效性。
2023-08-13 cs.IT cs.SI math.IT
Compressive Closeness in Networks
Boston University(波士顿大学);ETH(苏黎世联邦理工学院)
分布式算法的网络科学应用是非常重要的,由于今天的大型现实世界的网络。在这样的算法中,一个节点只允许与它的直接邻居进行本地交互。这是因为整个网络的拓扑结构往往是未知的每个节点。近年来,分布式检测网络中的中心节点,涉及不同的概念的重要性,受到了广泛的关注。接近中心性是一个重要的衡量标准,用于评估节点在给定网络中的重要性(影响力),基于其可访问性。在本文中,首先,我们引入了一个本地(自我为中心)的度量,以及与全球的接近中心,但它具有非常低的计算复杂性。其次,我们提出了一个基于压缩感知(CS)的框架,利用所提出的局部度量准确地恢复网络中的高接近中心节点。以自我为中心的度量计算及其通过CS的聚合都是高效和分布式的,仅使用相邻节点之间的本地交互。最后,我们通过在各种合成和真实网络上的广泛实验来评估所提出的方法的性能。结果表明,该局部度量与全局接近中心度相关性好于现有的局部度量。此外,实验结果表明,该方法优于现有的方法,具有显着的改善。
2019-06-19 cs.LG cs.SI
Enhanced Pruning for Distributed Closeness Centrality under Multi-Packet Messaging
University of Kinshasa(金沙萨大学)
本文提出一种基于多包消息的增强剪枝方法,有效提升大规模网络中分布式接近中心性计算的通信效率和计算效率。
2025-12-12 cs.DC cs.SI
Group Centrality for Semantic Networks: a SWOT analysis featuring Random Walks
群体中心性是经典的个体中心性概念的扩展,使其适用于集合。我们执行的SWOT(优势,劣势,机会和威胁)分析使用组中心在语义网络中,不同的中心概念:度,接近,介数,突出随机游走。在我们的主要结果中,突出了在语义网络中找到一个特定的中心性度量的最中心集的问题的相关性和NP难度。
2016-01-02 cs.SI
Local Search for Group Closeness Maximization on Big Graphs
在网络分析和图挖掘中,接近中心度是一种常用的度量,用来推断一个顶点的重要性。有效地计算单个顶点的贴近度受到了相当大的关注。而群贴近度最大化的NP-难问题则更具挑战性:目标是找到一个整体上处于中心的顶点群,并且最先进的算法还不能扩展到非常大的图。在本文中,我们提出了新的局部搜索算法的群体贴近度最大化。通过使用随机逼近技术和动态数据结构,我们的算法往往能够有效地执行局部最优决策。最终的结果是一个具有高(但不是最佳)接近中心性的组。我们比较我们的算法,目前国家的最先进的贪婪启发式加权和未加权现实世界的图形。对于具有数亿条边的图,我们的局部搜索算法只需要大约十分钟,而贪婪算法需要十多个小时。总的来说,我们的新算法快了一到两个数量级,具体取决于所需的组大小和解决方案质量。例如,在加权图和$k = 10$上,我们的算法产生更高质量的$12,4\%$的解决方案,同时也是$793,6\times$更快。对于未加权图和$k = 10$,我们在$99,4\%$中实现了最先进质量的解决方案,同时$127,8\times$更快。
2019-11-08 cs.DS cs.SI
Centrality Measures in Interval-Weighted Networks
中心性度量在网络科学中用于评估顶点的中心性或它们在网络中所占据的位置。有大量的中心性措施,根据一些标准。然而,加权网络的最著名的中心性度量,度中心性,接近中心性和介数中心性的推广仅假设边权重是常数。本文提出了一种方法来概括度,贴近度和介数中心考虑到封闭区间(区间加权网络- IWN)的形式的边权重的变化。我们将我们的中心性措施的方法,以两个现实世界的IWN。第一个是葡萄牙大陆的通勤网络,在23个NUTS 3地区之间。第二个重点是2003年至2015年28个欧洲国家之间的年度商品贸易。
2021-06-18 cs.SI physics.soc-ph
Network Members Can Hide from Group Centrality Measures
该研究针对节点躲避群体中心性度量的问题,分析四种群体中心性度量的躲避复杂度,实证表明度群体中心性的最优隐藏策略对其他度量同样有效,且仅靠局部拓扑信息即可实现隐藏。
2023-12-15 cs.SI
Predicting Stability of Community Members in Complex Networks
在这项工作中,我们分析和预测复杂网络中社区的稳定性。我们使用一种称为个人资料接近度的接近中心性变体来衡量成员对其社区的忠诚度。我们表明,配置文件的接近度是一个足够的指标,社区如何在网络中发展。我们调查这在静态和动态(时间)网络,并建立在预测一个复杂的网络的演变的轮廓接近的相关性。关键词:小世界网络,中心性,社区,封闭性,聚类
2022-07-13 cs.DM cs.SI physics.soc-ph
Distance entropy cartography characterises centrality in complex networks
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
我们引入距离熵作为一个复杂的网络中的给定节点和它的邻居之间的路径长度分布的均匀性的度量。距离熵定义了一种新的中心性度量,其性质研究了各种合成网络模型。通过耦合距离熵信息与接近中心,我们引入了一个网络制图,它允许一个单独的基础上,以减少退化的排名接近。我们将这种方法应用于经验的多元词汇网络编码的语言关系,以英语为母语的幼儿。我们发现,距离熵制图更好地预测儿童如何学习单词相比,接近中心。我们的研究结果突出了距离熵在复杂网络中从距离模式中获得洞察力的重要性。
2018-02-28 cond-mat.stat-mech cs.CL cs.SI
Centrality Measures in Complex Networks: A Survey
在复杂网络中,每个节点都有一些独特的特征,这些特征根据给定的特定于应用程序的上下文来定义节点的重要性。这些特征可以使用文献中定义的各种中心性度量来识别。这些中心性度量中的一些可以使用节点的局部信息来计算,例如度中心性和半局部中心性度量。其他的研究则使用了网络的全局信息,如接近中心性、介数中心性、特征向量中心性、Katz中心性、PageRank等。在本综述中,我们讨论了这些中心性度量和最新的文献,包括将中心性度量扩展到不同类型的网络,更新动态网络中中心性值的方法,识别前k个节点的方法,近似算法,本文最后讨论了应用程序特定的中心性措施,这将有助于选择一个基于网络类型和应用程序的要求的中心性措施。
2020-11-14 cs.SI
Correlation analysis of node and edge centrality measures in artificial complex networks
社交网络中节点的重要性通过一组称为中心性的度量来确定。度中心性、贴近度中心性、介数中心性和聚类系数是计算节点中心性最常用的度量。在某些情况下,它们的计算复杂性使得它们的计算不可行,即使实际上不是不可能的。出于这个原因,我们专注于两个替代措施,WERW-Kpath和小偷游戏,这同时是高度描述性和计算负担得起的。我们的实验表明,WERW-Kpath和小偷的游戏和经典的中心性措施之间存在很强的相关性。这可能表明,使用它们作为有用的和更经济的替代经典的中心性措施的可能性。
2021-08-05 cs.SI
Scale-dependent measure of network centrality from diffusion dynamics
图中心性的经典度量捕获节点重要性的不同方面,从局部(例如,度)到全局(例如,接近)。在这里,我们利用扩散和几何之间的联系,介绍了多尺度中心性措施。如果节点由于图中的有效边界和不均匀性而破坏了扩散的度量性,则该节点被定义为中心节点。我们的措施自然是多尺度的,因为它是计算相对于图邻域内的扩散的变化的时间范围。我们发现,节点的中心性可以在不同的尺度上有很大的不同。特别是,我们的测量与程度相关(即,集线器)以小规模和紧密性(即,桥),也揭示了复杂网络中多中心结构的存在。通过检查跨尺度的中心性,我们的措施,从而提供了一个节点的重要性相对于网络上的本地和全球进程的评估。
2020-07-21 cs.SI physics.soc-ph
Modeling and Measuring Graph Similarity: The Case for Centrality Distance
复杂网络拓扑结构的研究已经吸引了研究者们几十年的时间,今天我们已经对许多不同的复杂网络的类型和重现特性有了相当好的了解。然而,令人惊讶的是,今天对比较复杂图形的模型知之甚少,并定量地测量它们的相似性。本文提出了一种复杂网络的自然相似性度量:中心性距离,即两个图之间关于给定节点中心性的差异。中心距离允许考虑网络中不同节点的特定角色,并有许多有趣的应用。作为一个案例研究,我们考虑了更详细的接近中心,并表明,接近中心距离可以有效地区分随机生成的和实际的两个动态社交网络的进化路径。
2014-06-20 cs.DS cs.SI physics.soc-ph
Group Centrality Maximization for Large-scale Graphs
节点中心性测度的研究是网络分析的一个重要方面。自然,这样的中心性措施已被推广到组的顶点,流行的措施,它表明,问题的最中心组是$\mathcal{NP}$ -硬。因此,最近引入了最大化组中心性的近似算法。尽管近似线性的运行时间,近似算法的组介数和(在较小程度上)组接近是相当缓慢的大型网络,由于高恒定的开销。这就是为什么我们引入GED-Walk中心性,这是一种受Katz中心性启发的新的子模块组中心性度量。与接近性和中间性相反,它考虑任何长度的行走,而不是最短路径,较短的行走具有较高的贡献。我们定义的算法,(i)有效地近似一个给定的组的GED步行得分和(ii)有效地近似(证明是$\mathcal{NP}$ -硬)的问题,找到一个组的最高GED步行得分。在几个真实数据集上的实验表明,GED-Walk获得的分数提高了常见图挖掘任务的性能,如集体分类和图级分类。经验运行时间的评估表明,最大化GED-步行(近似)是两个数量级快于组介数近似和组大小$\leq 100$一至两个订单快于组接近近似。对于具有数千万条边的图,近似GED Walk最大化通常需要不到一分钟。此外,我们的实验表明,最大化算法的规模与输入图的大小和组的大小线性。
2019-10-30 cs.DS cs.SI
Past-aware game-theoretic centrality: a framework for cardinality-constrained set-function maximization on networks
Scuola Normale Superiore(高等师范学院)
本文提出了一种考虑过去合作的博弈中心性方法,用于复杂传染动态中的影响最大化问题,通过高效算法提升节点影响力识别效率和质量。
2026-09-08 cs.SI
Analysis of centrality measures under differential privacy models
本文提供了第一个分析的差异私人计算的三个中心性措施,即特征向量,拉普拉斯和接近中心,在任意加权图,使用光滑灵敏度方法。我们通过找到随机算法需要添加的噪声量的下限来做到这一点,以便使每个测量的输出具有差异性。我们的研究结果表明,这些计算是不可行的,在这个意义上说,有大家庭的图的光滑灵敏度是无界的;或不切实际的,在这个意义上说,即使对于光滑灵敏度是有界的情况下,所需的噪声量导致不可接受的大效用损失。
2021-03-05 cs.SI
Understanding Information Centrality Metric: A Simulation Approach
识别信息流网络中的中心人物对于理解人们如何沟通和协调以及谁控制网络中的信息流至关重要。然而,中心性度量的适当使用取决于对网络流类型的理解。网络可以在节点到节点的传输发生的方式上变化,或者在通过网络的过程中采取的方式上变化,从而导致不同类型的信息流过程。当度量用于不适当的流程时,度量的结果可能会产生误导,并且通常是不正确的。在本文中,我们创建了一个网络中的信息流的模拟,然后我们调查的信息中心性的关系,以及其他网络中心性,如介数,接近度和特征向量以及模拟的结果与信息流通过步行,而不是路径,小径或测地线。我们发现信息中心性更类似于特征向量中心性和度中心性,而不是以往文献所假设的接近中心性。我们还发现了一个有趣的模式出现从度量间的相关性。
2018-12-14 cs.SI stat.AP
Coverage Centrality Maximization in Undirected Networks
中心性度量是社会网络分析的主要工具之一。作为网络用户的中心,对用户有几个好处:中心用户具有很高的影响力,在网络中扮演着关键角色。因此,增加网络用户的中心性的优化问题最近受到了相当大的关注。给定一个网络和一个目标用户$v$,中心性最大化问题在于根据某个中心性度量,以使$v$的中心性最大化的方式创建与$v$关联的$k$新链路。在文献中提出的大多数算法的基础上显示,一个给定的中心性度量是单调的和次模块化的链接添加。然而,如果链接是无向的,则该属性不适用于几个基于最短路径的中心性度量。在本文中,我们研究了无向网络中最重要的基于最短路径的中心性度量之一,覆盖中心性的中心性最大化问题。我们提供了几个硬度和近似结果。我们首先表明,这个问题不能近似在一个因子大于$1-1/e$,除非$P=NP$,并且,在更强的间隙ETH假设下,这个问题不能近似在一个因子优于$1/n^{o(1)}$,其中$n$是用户的数量。然后,我们提出了两个贪婪的近似算法,并表明,通过适当地结合它们,我们可以保证一个近似因子的$Ω(1/\sqrt{n})$。我们实验比较我们的近似算法与最佳解决方案计算的精确IP制定的装置提供的解决方案。我们表明,我们的算法产生的解决方案是非常接近的最佳。
2018-11-11 cs.DS cs.SI
Axioms for Centrality
给定一个社交网络,哪个节点更中心?这个问题已经在社会学、心理学和计算机科学中被问过很多次了。中心性指数(centrality indices)或排名(rankings)被提出来说明网络节点的重要性。在本文中,我们试图提供一个数学上健全的调查,从文献中已知的最重要的经典中心性措施,并提出了一个公理化的方法来建立他们是否真的在做他们已经被设计。我们的公理提出了一些简单的,基本的性质,一个中心性措施应该表现出来。令人惊讶的是,只有一个基于距离的新的简单度量,谐波中心性,才能满足所有公理;本质上,谐波中心性是对巴韦拉斯经典的接近中心性的修正,旨在以自然的方式考虑不可到达的节点。作为一个健全的检查,我们反过来检查每一个措施的镜头下的信息检索,利用国家的最先进的知识,在学科来衡量的有效性,在定位网页的各种索引是相关的查询。虽然在文献中有一些这种比较的例子,在这里,我们第一次考虑到中心性措施的基础上的距离,如接近度,在信息检索设置。结果与我们使用公理化方法收集的数据非常吻合。我们的研究结果表明,基于距离的中心性措施,这已被忽视的信息检索在过去的几年中,有利于频谱中心性措施,实际上是非常高的质量,此外,调和中心弹出作为一个优秀的通用中心性指标任意有向图。
2013-11-06 cs.SI physics.soc-ph
Scalable Betweenness Centrality Maximization via Sampling
介数中心性是社会网络分析中一个基本的中心性度量。给定一个大规模的网络,我们如何找到最中心的节点?这个问题对于依赖介数中心性的许多重要应用至关重要,包括社区检测和理解图漏洞。尽管在设计介数中心性的可扩展近似算法方面做了大量工作,但在大规模网络上估计介数中心性仍然是一个计算挑战。本文研究了介数中心最大化问题:给定一个图$G=(V,E)$和一个正整数$k$,在基数约束$|S^*| \leq k$下,找到一个最大化介数中心的集合$S^* \subseteq V$.我们提出了一个有效的随机化算法,提供了一个$(1-1/e-ε)$ -近似与高概率,其中$ε>0$。我们的结果改进了Yoshida~ \cite{yoshida2014almost}的现有结果。此外,我们提供了理论证据的有效性的一个重要假设在文献中的介数中心估计,即在现实世界的网络$O(|V|^2)$最短路径通过顶部的$k$中心节点,其中$k$是一个常数。在实验方面,我们在真实网络上对我们的方法进行了广泛的实验分析,证明了它的准确性和可扩展性,并研究了中心节点的不同属性。最后,我们提供了我们的方法的三个图挖掘应用。
2016-09-03 cs.DS cs.SI
About the Discriminant Power of the Subgraph Centrality and Other Centrality Measures About the Discriminant Power of the Subgraph Centrality and Other Centrality Measures(Working paper)
分析了度、特征向量、贴近度、介数和子图中心度等中心度指标的判别能力。它是由其节点的中心性的标准偏差为零的图的数量定义的。在实证分析的基础上,得出了子图中心性比其他中心性具有更好的判别能力的结论。我们还提出了一些新的插图类型的图的子图中心不区分非等价节点。
2013-05-28 cs.SI math.CO physics.soc-ph
Network Centrality Metrics Based on Unrestricted Paths, Walks and Cycles Compared to Standard Centrality Metrics
Aalto University School of Science(阿尔托大学理学院)
本文提出基于影响传播模型的入中心度和出中心度度量,通过比较节点排名和相关系数,展示了其在强调替代路径重要性方面的优势。
2026-02-06 cs.SI
Analysis and predictability of centrality measures in competition networks
本文提出共同出邻居(CON)分数以量化竞争网络中的共同影响力,并将其与机器学习结合用于节点分类,实验证明其预测效果优于PageRank等传统中心性度量。
2025-01-31 cs.SI
Stability and Continuity of Centrality Measures in Weighted Graphs
本文给出了加权图中节点中心性度量稳定性的正式定义。结果表明,常用的度,贴近度和特征向量中心性的措施是稳定的,而介数中心性不是。后者的另一种定义,保留了相同的中心性概念,同时满足稳定性标准的介绍。连续性是作为一个不太严格的替代稳定性。介数中心性不仅是不稳定的,但不连续。在合成随机网络和真实世界的数据的数值实验表明,在实践中,稳定性和连续性意味着不同程度的鲁棒性在噪声数据的存在。特别是,稳定的介数中心性表现出对噪声的弹性,是不存在的不连续和不稳定的标准介数中心性,同时保持类似的概念的中心性。
2014-10-19 cs.SI physics.soc-ph
Efficient Centrality Maximization with Rademacher Averages
本文提出首个基于渐进式采样和 Monte Carlo Rademacher Averages 的 CentRA 算法,并用 VC-dimension 给出更精细样本复杂度,在大型真实网络上显著提升采样数、运行时间与精度。
2023-06-06 cs.DS cs.SI
A hybrid algorithm based on Community Detection and Multi-Attribute Decision-Making for Influence Maximization
影响力最大化问题试图确定一组K个节点,通过这些节点,影响力、疾病或信息的传播被最大化。通过寻找这样的集合来优化影响是一个NP难问题,也是复杂网络分析中的一个关键问题。本文提出了一种基于社区发现算法和多属性决策技术(TOPSIS)的贪婪混合算法--贪婪TOPSIS和基于社区(GTaCB)算法。本文简要介绍了社区发现和TOPSIS技术,并给出了算法的伪代码。然后,从扩散质量和扩散速度两个方面,将GTaCB算法与基于度中心性、贴近度中心性、介数中心性、PageRank和TOPSIS的几种著名的贪心算法进行了性能比较。为了评估GTaCB的性能,计算实验上九种不同类型的现实世界的网络提供。测试是通过一个著名的流行病扩散模型,即易感-感染-传播(SIR)模型。仿真结果表明,在大多数情况下,所提出的算法显着优于其他,主要是作为初始节点的数量或感染概率的增加。
2021-05-20 cs.SI
Gromov Centrality: A Multi-Scale Measure of Network Centrality Using Triangle Inequality Excess
中心性度量基于不同的几何或扩散属性量化网络中节点的重要性,并关注不同的尺度。在这里,我们采用几何的观点来定义网络中的多尺度中心性。给定节点之间的度量距离,我们通过三角形不等式超额的概念,通过节点接近其邻域中节点之间的测地线的趋势来测量节点的中心性。根据邻域的大小,所得到的Gromov中心性定义了图中不同尺度上节点的重要性,并恢复为限制众所周知的概念,如聚类系数和贴近度中心性。我们认为,Gromov中心性的影响的几何和边界约束的网络,并说明它如何可以帮助区分不同类型的节点在随机几何图形和经验运输网络。
2022-05-10 cs.SI physics.soc-ph
On a Centrality Maximization Game
Bonacich中心性是衡量网络中节点相对重要性的一个著名指标。例如,这个概念是Google PageRank算法的核心。在本文中,我们研究了一个网络形成游戏,每个玩家对应于网络中的一个节点形成,可以决定如何重新布线他的m个外链接,旨在最大限度地提高自己的Bonacich中心,这是他的效用函数。我们研究了纳什均衡(NE)和最佳反应动力学的这个游戏,我们提供了一个完整的分类时,m=1和相当完整的分类时,m=2的NE。我们的分析表明,由每个节点执行的中心性最大化倾向于创建无向和断开或松散连接的网络,即2-团(m=1)和环或特殊的“蝴蝶”形图(m=2)。我们的研究结果建立在局部性的最佳反应函数在这样的游戏,我们形式化和证明的文件。
2020-05-06 cs.SI cs.SY eess.SY
Lexical Sorting Centrality to Distinguish Spreading Abilities of Nodes in Complex Networks under the Susceptible-Infectious-Recovered (SIR) Model
复杂网络中的传染病建模是近年来研究的热点之一。易感-感染-传染(SIR)模型及其变体常用于流行病建模。传染病建模中的一个重要问题是确定网络中节点的传播能力。因此,例如,可以在早期阶段检测到。在这项研究中,我们开发了一个中心性措施,称为词汇排序中心性(LSC),区分节点的传播能力。使用为节点计算的其他中心性度量,LSC以类似于字母顺序的方式对节点进行排序。我们使用SIR对六个数据集进行了模拟,以评估LSC的性能,并将LSC与度中心性(DC),特征向量中心性(EC),接近中心性(CC),介数中心性(BC)和引力中心性(GC)进行了比较。实验结果表明,LSC能更准确、更果断、更快速地判别节点的传播能力。
2021-01-24 cs.SI physics.soc-ph
A universal optimization framework based on cycle ranking for influence maximization in complex networks
该研究针对复杂网络影响力最大化问题,提出基于网络基本环排序的通用优化框架,可从多种中心性度量中选影响者,传播范围提升1.5-3倍,且影响者间距仅为其他方法的1/3,凸显环结构的独特价值。
2024-05-15 cs.SI physics.soc-ph
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
U-centrality: A Network Centrality Measure Based on Minimum Energy Control for Laplacian Dynamics
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);EPFL(洛桑联邦理工学院);University of California San Diego(加州大学圣地亚哥分校)
本文提出基于最优控制理论的动态任务感知中心性框架,引入U-centrality度量节点统一代理状态的能力,填补了结构与动态中心性方法之间的空白。
2026-03-18 cs.SI math.OC
Maximizing Coverage Centrality via Network Design: Extended Version
网络中心性在许多应用中起着重要的作用。社交网络中的中心节点可能具有影响力,推动观点,传播新闻或谣言。在超链接环境中,例如Web,用户通过点击进行导航,中心内容获得高流量,成为广告活动的目标。虽然在中心性度量及其有效计算方面有大量的工作,但通过网络更新来控制节点的中心性是一个更新且具有挑战性的问题。对网络进行最小的修改以实现所需的属性属于网络设计问题的范畴。本文的重点是提高覆盖中心的一组节点,这是对节点的数量,有一个最短的路径通过集合,通过添加边缘的网络。我们证明了强不可逼近的结果,并提出了一个贪心算法最大化覆盖中心。为了保证可扩展性的大型网络,我们还设计了一个有效的采样算法的问题。除了提供一个广泛的经验评估我们的算法,我们还表明,在一些现实的约束条件下,所提出的解决方案实现几乎最佳的近似覆盖中心最大化。
2017-10-09 cs.SI
Graph Centrality Measures for Boosting Popularity-Based Entity Linking
Labex Observatoire de la vie littéraire (OBVIL)(文学生活观察实验室);Laboratoire d’Informatique de Paris 6 (LIP6), Pierre and Marie Curie University(巴黎第六大学计算机实验室)
许多实体链接系统使用基于图的集合方法来消除文档中实体提及的歧义。大多数研究集中在图的构造和候选实体的初始权重上,而对图排序算法的比较研究较少。在这项工作中,我们专注于基于图的排名算法,因此,我们提出了五个中心性措施:度,点击率,PageRank,介数和接近度。该方法首先利用流行度方法为每个文档构建候选实体的消歧图,然后应用中心度度量选择最相关的候选实体,以提高实体流行度方法的结果。我们研究了每个中心性度量对不同领域和数据集性能的有效性。我们的实验表明,一个简单而快速的中心性度量,如度中心性,可以优于其他更耗时的措施。
2017-11-30 cs.CL cs.IR 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
Core-Intermediate-Peripheral Index: Factor Analysis of Neighborhood and Shortest Paths-based Centrality Metrics
Jackson State University(杰克逊州立大学)
提出核心-中间-外围(CIP)指数,通过对四种中心性度量进行因子分析,量化节点在复杂网络中的核心或外围角色,并在12个真实网络上验证。
2023-10-10 cs.LG cs.SI
Opportunistic Forwarding with Partial Centrality
在机会主义网络中,使用社交指标(例如,度、接近度和介数中心性)最近已被证明是提高机会转发算法性能的有效解决方案。目前大多数基于社交的转发方案都利用了一些全局定义的节点中心性,导致偏向于最流行的节点。然而,这些节点对于一些目标节点可能不是适当的中继候选,因为它们相对于目标节点的这些子集可能具有低重要性。在本文中,为了提高机会转发效率,我们利用相对重要性(称为部分中心性)的节点相对于一组节点。设计了一种新的机会转发方案--部分中心性机会转发(OFPC),并利用图谱理论量化了部分中心性对数据转发性能的影响。通过将我们的方案应用于三个真实的机会网络场景,我们的广泛的评估表明,我们的方案实现了显着更好的平均交付延迟和成本相比,国家的最先进的作品,同时实现交付率足够接近那些由流行病在不同的TTL要求。
2017-09-25 cs.NI cs.SI
On computing distances and latencies in Link Streams
链接流是几年前作为时间网络的模型提出的。我们试图了解这些对象的拓扑和时间的性质,通过有效地计算的距离,laps和最短的最快路径的长度。我们开发了不同的算法来有效地计算这些值。这些方法的正确性的证明,以及他们的时间复杂性作为链接流参数的函数的界限。本研究的目的之一是帮助开发算法来计算链接流的中心性函数,如介数中心性和接近中心性。
2019-07-03 cs.DM cs.SI
Global Rank Estimation
在现实世界的复杂网络中,节点的重要性取决于两个重要参数:1。节点的特性,以及2.给定应用程序的上下文。目前的文献包含几个中心性的措施,已被定义为衡量一个节点的重要性的基础上给定的应用程序的要求。这些中心性度量为每个节点分配一个中心性值,表示其重要性指数。但在实际应用中,我们更感兴趣的是节点的相对重要性,可以使用基于给定中心性度量的中心性秩来度量。为了计算一个节点的中心性排名,我们需要计算所有节点的中心性值并比较它们以获得排名。这个过程需要整个网络。因此,由于现实世界网络的大规模和动态性,它对于现实生活中的应用是不可行的。在本项目中,我们的目标是提出快速有效的方法来估计一个节点的全局中心性排名,而无需计算所有节点的中心性值。这些方法可以进一步扩展到估计秩,而无需整个网络。所提出的方法使用的结构行为的中心性措施,抽样技术,或机器学习模型。在这项工作中,我们还讨论了如何将这些方法用于度和贴近度中心性秩估计。
2017-10-31 cs.SI physics.soc-ph
Node Dissimilarity Index for Complex Network Analysis
提出基于主成分分析的节点相异度指数(NDI),用于量化网络中节点在多种中心性指标上的相异程度,NDI越大表示相异性越高。
2023-10-14 cs.SI
On Local and Global Centrality in Large Scale Networks
估计包括但不限于社交网络、生物网络、通信网络、新兴智能电网等的大规模网络中的有影响力的节点是基本感兴趣的主题。为了理解网络中节点的影响,一个经典的度量是中心性,其中有多个特定的实例,包括度中心性,接近中心性,介数中心性等等。到目前为止,识别具有高中心性度量的节点的现有算法在整个(或者更确切地说全局)网络上操作,导致高计算复杂性。在本文中,我们设计了有效的算法来确定介数中心在大规模网络的优势,这些大规模网络所表现出的模块化拓扑结构。简单地说,模块化拓扑是指整个网络似乎被划分为不同的模块(或集群或社区),其中模块内的节点(可能共享高度相似的配置文件)之间具有密集的连接,而跨模块的连接相对稀疏。使用一种新的适应Dijkstra的最短路径算法,并执行它在本地模块和模块之间的稀疏边缘,我们设计的算法,可以正确地计算介数中心比现有的算法快得多。据我们所知,我们是第一个利用大规模网络的模块化拓扑来解决中心性问题的工作,尽管这里我们主要将讨论限制在社交网络上。我们还提供了更多关于中心性的见解,以及我们的算法如何用于确定其他中心性度量。
2014-06-11 cs.SI physics.soc-ph
A Network Formation Game for Katz Centrality Maximization: A Resource Allocation Perspective
Indian Institute of Science(印度科学学院)
本文研究了一种网络形成博弈,其中参与者通过分配受限资源来选择连接以最大化影响力,采用Katz中心性建模影响力。提出顺序最佳响应动态模型,证明其收敛于纳什均衡,并分析完全拓扑结构下中心性与预算成正比,一般拓扑结构下形成分层网络。
2026-09-22 cs.GT cs.MA cs.SI
Top influencers can be identified universally by combining classical centralities
University of Twente(特文特大学)
信息流、意见和流行病在结构化网络中传播。当使用单个节点中心性指标来预测哪些节点将成为大型网络中的顶级影响者或传播者时,没有一个单一的中心性具有持续良好的排名能力。我们表明,统计分类器使用两个或更多的中心作为输入,而不是一致的预测在许多不同的,静态的现实世界的拓扑结构。某些中心性对在统计上绘制顶部扩散器和其余扩散器之间的边界时合作得特别好:测量节点邻域大小的局部中心性受益于添加全局中心性,例如特征向量中心性,接近度或核心数。直观地说,这是因为局部中心性可能会对位于网络密集但外围区域的一些节点进行高度排名-在这种情况下,额外的全局中心性指标可以通过优先考虑位于更中心的节点来提供帮助。被选为超级传播者的节点通常会联合最大化两个中心的值。由于中心性指标之间的相互作用,在本研究中,使用七个经典指标训练分类器在整个网络中产生了几乎最大的平均精度函数(0.995)。
2020-08-04 cs.LG cs.SI
Liars are more influential: Effect of Deception in Influence Maximization on Social Networks
在社交网络中发现有影响力的用户,称为影响力最大化问题,是一个重要的图挖掘问题,在信息传播、市场广告、谣言控制等领域有着广泛的应用。社交网络中有影响力的用户检测问题在文献中有很多研究。尽管目前的方法在许多不同的应用中得到了成功的应用,但它们假设用户彼此诚实,而忽略了欺骗在社交网络上的作用。另一方面,在社交网络中,欺骗似乎是令人惊讶的普遍现象。本文研究了社交网络上欺骗对影响力最大化的影响。我们首先对社交网络中的欺骗进行建模。然后,我们在这些网络上的意见动力学模型,考虑到欺骗感谢最近的意见动力学模型通过层拉普拉斯。然后,我们扩展了两个有影响力的节点检测方法,即拉普拉斯中心性和DFF中心性,层拉普拉斯测量欺骗的影响,影响力最大化。我们在合成网络和真实网络上的实验结果表明,在社交网络中,说谎者比诚实的用户更有影响力。
2022-03-21 cs.SI math.AT
Using Core-Periphery Structure to Predict High Centrality Nodes in Time-Varying Networks
具有高介数和接近中心性的顶点表示网络中有影响力的实体。时变网络的一个重要问题是使用最小的计算先验地知道当前时间步的有影响的顶点是否将在未来的时间步中保持其高中心性,随着网络的发展。在本文中,基于几个大型真实世界的时变网络的经验证据,我们发现了一类网络,其中高度中心的顶点是网络的最内层核心的一部分,并且这种性质随着时间的推移而保持。作为这项工作的一个关键贡献,我们提出了新的算法来识别这些网络在一个最佳的方式,也开发了一个两步算法来预测高中心顶点。因此,我们第一次证明,对于这样的网络,随着网络的变化,在每个时间步中进行昂贵的最短路径计算是完全可以避免的;相反,我们可以使用时间序列模型(例如,ARIMA)来预测当前时间步中的高中心性顶点与未来时间步中的高中心性顶点之间的重叠。此外,一旦新网络及时可用,我们可以简单地根据它们的高度找到顶部核心中的高中心性顶点。
2018-06-20 cs.SI physics.soc-ph
On a Network Centrality Maximization Game
研究参与者通过选择有向出边连接以最大化自身 PageRank 中心性的网络形成博弈,证明其为势博弈,刻画了 Nash 均衡条件,并在同质情形下对特定出边数的均衡进行了完整分类,发现该机制会催生无向且非连通或松散连通的网络。
2023-09-11 cs.GT cs.SI cs.SY
Correlation between centrality metrics and their application to the opinion model
近几十年来,人们提出了许多描述网络节点属性的中心性度量来对节点的重要性进行排序。为了理解中心性度量之间的相关性,并通过强相关的低复杂性度量来近似高复杂性中心性度量,我们首先研究了中心性度量之间的相关性,即它们的Pearson相关系数和它们在节点排名中的相似性。除了考虑广泛使用的中心性度量,我们引入了一个新的中心性度量,度质量。一个节点的m阶度质量是该节点及其不超过m跳的邻居的加权度之和。我们发现,B_{n},接近度,以及x_{1}的组件是强相关的程度,一阶度质量和二阶度质量,分别在网络模型和现实世界的网络。从理论上证明了x_{1}与二阶质量的皮尔逊相关系数大于x_{1}与低阶质量的皮尔逊相关系数。最后,我们调查的影响,根据不同的中心性指标选择的不灵活的拮抗剂,帮助一个意见,以竞争与另一个不灵活的拮抗剂意见模型。有趣的是,我们发现,在所有类型的网络中,基于杠杆、B_{n}或程度来选择不灵活的对抗者在意见竞争中比使用其他中心性度量更有效。这一观察得到了我们先前观察的支持,即,在程度和B_{n}之间存在强的线性相关性,以及在杠杆和程度之间存在高的中心相似性。
2014-09-21 cs.SI physics.soc-ph
Unified Framework for Complex Graph-Data: Introducing the Hybrid Layered Network Model
本文提出混合分层网络(HLN)统一建模复杂图数据,证明其涵盖同质、异质及多层网络,并给出高效编码、合成算法及结构度量,实验显示其与GNN结合可提升链接预测。
2025-02-28 cs.SI
Dynamic Laplace: Efficient Centrality Measure for Weighted or Unweighted Evolving Networks
社会网络分析(SNA)起源于社会学,迅速出现并传播到其他研究领域,包括人类学、生物学、信息科学、组织研究、政治学和计算机科学。由于社会网络分析的目的是通过网络和图论来研究社会结构,因此它是当今几个领域中的一个重要研究领域。社会网络分析处理不同的问题,即网络度量,模型,可视化和信息传播,每一个都有几种方法,方法和算法。社会网络分析的关键领域之一涉及不同中心性度量的计算(即:图中最重要的顶点)。如今,挑战是如何快速有效地做到这一点,因为有越来越多的数据集可用。最近,需要将这种中心性算法应用于非静态网络(即:随着时间的推移而发展的网络)也是一个新的挑战。中心性度量的增量和动态版本开始出现(介数,接近度等)。我们的贡献是两个增量版本的拉普拉斯中心性措施的建议,不仅可以应用于大型图形,但也加权或不加权,动态变化的网络。实验评估进行了几次测试,在不同类型的不断发展的网络,增量或完全动态。结果表明,我们的增量版本的算法可以计算节点的中心在大型网络,更快,更有效地比相应的批处理版本在增量和全动态网络设置。
2018-08-08 cs.SI physics.soc-ph
Influence Maximization based on Simplicial Contagion Models in Hypergraphs
本文研究超图中基于单纯复形传染模型的影响最大化问题,提出基于消息传递过程的理论框架和集体影响自适应(CIA)算法,优先考虑集体影响以识别关键传播者,实验证明其性能优越。
2023-11-22 cs.SI physics.soc-ph
Fast Geometric Embedding for Node Influence Maximization
University of Austin(奥斯汀大学);Temple University(泰勒大学)
本文提出一种高效力布局算法,将图嵌入低维空间,用径向距离替代传统中心性指标,实现快速影响节点识别。
2026-04-28 cs.AI cs.LG cs.SI
In-Core Computation of Geometric Centralities with HyperBall: A Hundred Billion Nodes and Beyond
给定一个社交网络,哪个节点更中心?这个问题已经在社会学、心理学和计算机科学中被问过很多次了。中心性指数(centrality indices)或排名(rankings)被提出来说明网络节点的重要性。在本文中,我们接近的问题计算几何中心,如密切和调和中心,非常大的图形,传统上,这项任务需要一个所有对最短路径计算的确切情况下,或一些宽度优先遍历近似计算,但这些技术产生非常弱的统计保证高度不连通的图形。我们假设图是以半流的方式访问的,也就是说,邻接列表几乎是顺序扫描的,每个节点在核心内存中只有非常少量的内存(大约十几个字节)。我们利用基于HyperLogLog计数器的新发现的算法,使其能够以非常高的速度和高精度近似一些几何中心。虽然在MapReduce框架中尝试应用类似的算法来近似接近度,但我们对HyperLogLog计数器的利用以指数方式减少了内存占用,为使用“仅”2TiB RAM的1000亿节点的网络的核心处理铺平了道路。此外,我们描述的计算本质上是可并行的,并且随着可用内核的数量线性扩展。
2013-08-12 cs.DS cs.SI physics.soc-ph
How do centrality measures choose the root of trees?
中心性度量被广泛用于为图结构数据分配重要性。最近,了解这些措施的原理引起了很多关注。鉴于措施是多种多样的,这项研究通常集中在类的中心性措施。在这项工作中,我们提供了一种不同的方法,专注于图的类,而不是类的措施,以了解各种措施之间的基本原则。更确切地说,我们研究树的类。我们观察到,即使在树的\fix{the}情况下,也没有关于哪个节点应该被选择为最中心的共识。为了分析树的中心性度量的行为,我们引入了\emph{tree rooting}的一个性质,即一个度量选择一个或两个相邻的节点作为最重要的节点,并且重要性从它们向各个方向递减。接近中心性满足这个属性,但PageRank违反了这个属性。我们发现,对于几个中心性措施,根树,相邻节点的比较可以推断由\emph{potential functions},评估树的质量。我们使用这些函数来提供关于生根的基本见解,并推导出解释为什么有些措施根树的表征。此外,我们提供了一个几乎线性时间算法计算的根的图,通过使用势函数。最后,使用家庭的潜在功能,我们表明,许多方式的树根存在所需的属性。
2022-11-29 cs.DB cs.DM cs.SI