基于邻居节点融合的社交网络分解方法

针对传统中心性指标方法忽略节点所在的环结构对网络分解的影响以及基于去环策略方法在去除环结构过程中删除大量非关键节点的问题,提出了基于邻居节点融合的社交网络分解方法。该方法利用邻居节点的融合策略降低了环结构对网络分解的影响,有效减少了非关键节点的删除,同时利用节点放回机制进一步压缩了非关键节点的删除数量。实验结果表明,本文方法能够更加准确地选取网络分解中的关键节点,删除较少的关键节点就能使网络充分分解,并且在不同结构的网络中表现稳定,适应性强。

基于社区划分与连边逆序放回的网络分解算法

网络分解是通过删除网络中最少规模的节点或者连边,将网络破坏至最大连通分支的规模不超过设定阈值.传统基于节点删除的网络分解算法忽略了删除代价.实际上,节点的删除导致相应连边的删除,代价是不同的.传统基于连边删除的网络分解算法虽然考虑删除代价,但是,无论是迭代计算连边中心性值,还是迭代划分最大连通分量,其性能和效率都亟待改善.本文提出了一种基于社区划分与连边逆序放回的网络分解算法,该算法是一种基于连边删除的方法,包含两个步骤,首先,利用社区划分算法将网络划分为多个社区,删除社区之间的全部连边使社区独立,破坏社区间的连通性;然后,每个社区内部采用连边逆序放回策略破坏其内部连通性,从而完成整个网络的分解.真实网络及人工网络上的实验结果表明:一方面,本文提出的网络分解算法能够以最小的连边删除代价将网络分解至设定阈值;另一方面,随着网络规模、网络结构以及分解阈值的变化,算法展现出良好的稳定性.

基于先验估计的传播中心溯源算法

针对多数信息传播溯源算法未考虑先验估计对溯源的作用和价值,造成溯源检测率较低、错误距离较大等问题,文中利用易感-感染模型(SI)模拟信息在加权网络上的传播过程,提出基于先验估计的传播中心溯源算法.算法综合考虑邻居节点中感染节点和未被感染节点,根据它们的数量关系作为源节点先验估计值,有效弥补现有溯源算法先验估计不足的缺陷.在人工网络和真实网络上的实验表明,文中算法检测率较高、错误距离较小、真实源节点排名精确度较高.