融合全局与局部特性的重要节点评估方法

对复杂网络中的节点进行重要性度量有助于提高网络的鲁棒性和可靠性,然而一些单一性的经典指标不可避免地存在一定的局限性和片面性。综合节点局部特征和网络全局特性,提出一种相较节点删除法更加精准的重要节点评估方法。该法以节点邻域拓扑相似度定义节点的局部重要性,以移除节点后网络连通性的变化程度表征节点的全局重要性。为验证所提方法的有效性和适用性,在不同类型的网络中进行了比较实验。实验结果表明,该方法能有效识别网络中的重要节点,在Jazz网络中的精细程度相较于节点删除法提升了16%。该方法优化了节点删除法,克服了节点删除法在区分不同“桥”节点重要性时的缺点,同时对于移除后具有相同连通性的节点,根据其周围邻居拓扑的相似度可以进一步细分重要性。

基于贡献矩阵的超网络关键节点评估方法

超网络能够从多维度反映出现实世界事物的多元联系,关键节点有利于分析超网络的拓扑结构和网络功能。针对如何确定超网络中关键节点的问题,通过贡献矩阵提出了两种超网络关键节点的评估方法:基于介数中心性的贡献矩阵方法和基于接近中心性的贡献矩阵方法。两种方法均结合了超图的邻接矩阵、关联矩阵和多个中心性评估指标,综合考虑了节点的全局性影响和局部性影响,并在两个超网络中进行实验验证。结果表明,两种贡献矩阵方法均能准确有效地评估出超网络中的关键节点,且基于接近中心性的贡献矩阵方法改进了基于介数中心性的贡献矩阵方法中存在的缺陷,更加贴近真实世界的事物特性。