基于不等概率叠加随机游走关键点识别

关键节点识别是网络科学的重要研究内容,在医学、社会学、网络安全、电力交通、政治与经济学领域有重要研究意义。当前流行的关键点识别算法的原理是通过考虑局部范围和全局范围网络节点的特性衡量节点中心性,结合节点自身及邻居节点贡献进行关键节点识别。存在识别有效性低和时间复杂度高的问题,不能在大规模网络中扩展。针对等概率叠加随机游走关键点识别方法没有考虑随机游走倾向性问题,采用节点相似性构造转移概率矩阵的方法,开展了不等概率叠加随机游走进行关键点识别的研究。通过在无向网络中与度中心性、介数中心性、接近中心性、等概率叠加随机游走评估方法间进行比较,各中心性算法与SIR模型的相关性比较的实验,证明基于不等概率叠加随机游走能以较高的精度进行网络中关键点识别,并且优于等概率叠加随机游走方法。

代价约束下基于随机游走的负影响力传播抑制方法

在社交网络的信息传播机制中,不同用户之间信息扩散往往会受到用户之间影响力的影响,因此开展复杂网络分析研究显得格外必要。首先研究在代价约束下,社交网络的影响力传播模型,在未知网络传播原理的情况下,研究如何利用叠加的随机游走策略对网络的影响力传播进行度量,将影响力传播的范围控制在某一子图中,设计出抑制负影响力传播的有效方法。在此基础上,通过渗流来对抑制节点的范围进行控制。实验证明,本文的算法不仅可以有效地限制负影响力的传播,而且在代价约束下能够取得较好的性能。本文不仅对分析、理解和预测网络的拓扑结构、功能和动力学行为具有十分重要的理论意义,而且在舆情管控、虚假信息抑制等领域中也发挥着重要的作用。

面向有向网络关键节点识别算法研究

针对有向网络中基于PageRank相关算法关键节点识别时迭代计算平稳分布的时间复杂度高,且存在不确定参数的问题,在对现有算法进行总结分析的基础上,考虑适用于有向网络的Jaccard扩展指标与叠加随机游走相结合,通过4步转移实现关键节点识别。在真实网络中,与PageRank的改进算法设计进行对比实验,分析与SIR模型的相关性,结果表明:该算法能有效识别关键节点,且在准确度和算法执行效率方面均有较大改进。