针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点...针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.展开更多
文摘针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.