基于时序网络层间同构率动态演化的重要节点辨识

时序网络可以更加准确地描述网络节点在时空演化过程中的交互顺序变化和交互关联关系.为辨识时序网络中的重要节点,本文提出基于时序网络层间同构率动态演化的超邻接矩阵建模的重要节点辨识方法.首先,依托复杂网络的层间时序关联耦合关系,定义了相邻与跨层网络综合逼近关系系数.其次,依据层内连接关系和层间逼近关系构建时序网络超邻接矩阵.再次,使用特征向量中心性方法对时序网络中的节点重要性排序,分析计算时序全局效率差值,通过肯德尔相关系数验证.最后,实证数据仿真显示:与经典时序网络模型相比,本文模型所得Kendall’s t值在各时间层上平均提高,最高为8.37%和2.99%,结论表明时序网络层间同构率的度量方法科学有效.

基于层间相似性的时序网络节点重要性研究

时序网络可以更加准确地描述节点之间的交互顺序和交互关系.结合多层耦合网络分析法,本文提出了基于节点层间相似性的超邻接矩阵时序网络节点重要性识别方法,与经典的认为所有层间关系为常数不同,层间关系用节点的邻居拓扑重叠系数进行度量.Workspace和Enrons数据集上的结果显示:相比经典的方法,使用该方法得到的Kendall’sτ值在各时间层上的平均提高,最高为17.72%和12.44%,结果表明层间相似性的度量对于时序网络的节点重要性度量具有十分重要的意义.

图卷积融合计算时效网络节点重要性评估分析

复杂网络节点的重要性度量与时间属性相关,经典静态网络模型弱化对节点交互时间属性的有效表征.将深度学习模型迁移到动态图数据上进行端到端系统建模,提出基于图卷积融合计算的时效网络节点重要性综合评估模型.通过超邻接矩阵集结时效网络结构特征的动态演化过程,利用图卷积神经网络框架融合计算节点邻域特征,分析节点时序演化重要性顺序结构,实现节点重要性综合排序.仿真实验结果表明,与基线方法相比,所提方法得到的Kendall’sτ值在所选网络数据集上均表现优良,体现出基于图卷积融合计算的时效网络节点重要性综合评估方法的有效性和优越性.