基于深度强化学习的复杂网络节点影响力排序算法

针对当前节点影响力评估算法准确度较低的情况,提出了一种基于深度强化学习的节点影响力排序算法。该算法从网络拆解的视角看待节点影响力,将节点影响力的排序问题转换为网络拆除策略的优化问题。算法首先利用排序学习训练图神经网络模型的节点特征提取能力,然后使用强化学习对依赖于网络状态的节点断连行为做价值学习,最后使用训练完成的模型预测网络拆除的最佳策略,即节点影响力的最准确排序。仿真实验证明,所提算法在典型真实数据集的CN(Crtical Node)与ND(Network Dismantling)问题上,相较于PageRank算法,准确度分别提升了31.1%与29.0%。同时,该算法具有较低的复杂度,可为网络稳定性分析和网络性能优化提供技术支撑。

基于节点影响力的区块链匿名交易追踪方法

随着区块链技术的快速发展,借助虚拟货币进行非法交易的行为越来越普遍,且数量仍在快速增长。为打击该类犯罪行为,目前主要从网络分析技术和图数据挖掘等角度研究区块链交易数据,以进行区块链交易追踪。然而,现有的研究在有效性、普适性以及效率等方面存在不足,且无法对新注册地址进行有效追踪。针对上述问题,文中提出了一种基于节点影响力的账户余额模型区块链交易追踪方法NITT,旨在追踪特定目标账户模型地址的主要资金流向。相比传统方法,该方法引入时间策略,降低了图数据规模,同时采用多重权重分配策略,筛选出了更有影响力的重要账户地址。在真实数据集上进行实验,结果表明,所提方法在有效性、普适性和效率等方面具有较大的优势。

融合用户传播风险和节点影响力分析的虚假信息传播控制方法

在线社交网络中虚假信息传播蔓延成为当前网络空间安全治理面临的重要挑战。提出一种融合用户传播风险和节点影响力分析的虚假信息传播控制方法DDC-UPRNI(disinformation diffusion control method integrating user propagation risk and node influence analysis)。综合考虑虚假信息传播特征空间的多样性和复杂性,通过自注意力机制实现用户传播虚假信息行为维度、时间维度和内容维度特征的嵌入表示,运用改进的无监督聚类K-means++算法实现不同用户传播风险等级的自动划分;设计一种自适应加权策略实现对离散粒子群优化算法的改进,进而提出一种基于离散粒子群优化的虚假信息传播关键节点选取方法,用于从具有特定传播风险等级的用户节点集合中选取若干个具有影响力的控制驱动节点,从而实现精准、高效的虚假信息传播控制;基于现实在线社交网络平台上开展试验,结果表明,所提出的DDC-UPRNI方法与现有算法相比,在控制效果和时间复杂度等重要指标上具有明显优势。该方法为社会网络空间中的虚假信息管控治理提供重要参考。

基于Transformer的节点影响力排序模型

节点影响力排序是复杂网络的一个重点话题,对识别关键节点和衡量节点影响力有着重要作用。目前,已有诸多研究基于复杂网络探索节点影响力,其中深度学习显示出了巨大的潜力。然而,现有卷积神经网络(CNNs)和图神经网络(GNNs)模型的输入往往基于固定维度特征,且不能有效地区分邻居节点,无法适应多样性的复杂网络。为了解决上述问题,文中提出了一种简单且有效的节点影响力排序模型。该模型中,节点的输入序列包含节点本身及其邻居节点的信息,且可以根据网络动态调整输入序列长度,确保模型获取到足量的节点信息。同时该模型利用自注意力机制,使节点可以有效地聚合输入序列中邻居节点的信息,从而全面地识别节点的影响力。在12个真实网络数据集上进行实验,通过多维度的评价标准验证了该模型相比7种已有方法的有效性。实验结果表明,在不同的网络结构中,该模型均能有效地识别网络中节点的影响力。

基于节点影响力和局部中心度的社区发现方法

一方面,社区信息沿着最短路径传播且随着传播逐渐衰减,信息传到较远位置可能性很小。另一方面,在信息量一定的情况下,在不同路径长度下,每条边累积信息量不同。由此两方面的考虑,引入节点影响力和局部中心度,结合GN算法删除最大边介数的核心思想,得到一种新的社区发现算法WLCD(weighted local community detection,WLCD)。实验证明,在三种真实网络数据集中,WLCD算法对比其他几种经典社区检测算法更好,在模块度、调整兰德系数、标准互信息以及准确率等评价指标方面都有比较好的结果。

考虑空间布局的物流配送网络节点影响力评估方法研究

旨在评估物流配送网络中节点的影响力,特别关注空间布局对节点重要性的影响。为此,构建了一个有向加权网络模型,并通过矩阵量化分析来评估节点的重要性。该模型不仅考虑了节点间的货运信息流和边的权重,还综合了节点的地理位置信息。通过引入节点强度、互信息、紧密度和介数等指标,提出了一种复合的节点关键性评估方法。实例验证表明,该方法能够有效识别关键节点,并有助于优化配送路径和提高物流效率。研究方法较文献中的方法更具合理性,因为它不仅考虑了节点间的信息流和边的权重,还考虑了节点间的实际位置距离。

科学数据集共被引网络节点影响力及传播力研究

[目的/意义]将网络节点影响力和传播力引入科学数据研究,对于实现核心数据资源的精准发现、加速数据的传播和重用、有效提升数据影响力都具有十分重要的意义。[方法/过程]构建全球性基因表达综合数据库(GEO)科学数据集共被引网络,对网络的个体节点影响力和传播力进行分析;找到k个最具影响力的节点集合,并利用独立级联(IC)模型对传播效果进行模拟验证。[结果/结论]在不同网络规模情况下,度中心性和结构洞指标可以取得最大化传播效果。不同类型的GEO数据集在网络结构中占据不同位置,根据数据集特点进行合理使用和引用,可以加速数据集的传播和扩散。[局限]只侧重于网络结构特征的研究,未来需要结合数据集的元数据信息,进一步增强研究的实用性和可操作性。

一种基于节点影响力的重叠社区发现算法

基于标签传播的COPRA重叠社区发现算法在初始节点选取及标签更新中的随机性而导致社区发现不稳定的问题,充分考量节点个体属性及节点间的关联度量,该文提出一种基于节点影响力的NI-COPRA算法。首先,提出基于信息熵的EnRenew算法度量节点重要性,以确定节点标签更新顺序;其次,设计一种融合节点重要性和相似性的节点影响力度量方法,进一步确定社区隶属系数并进行标签传播;最后,基于节点标签实现重叠社区发现。在真实网络和人工生成网络上进行验证,实验结果表明,算法在EQ与NMI两类指标上优于其他算法,提高重叠社区发现准确性。

基于节点影响力扩张的社交网络社区发现算法

社区是一种介于微观和宏观之间的节点聚合体,对深入理解社交用户的行为规律具有重要意义。传统的社区发现方法假设节点在网络中具有同等地位,忽略了节点影响力在社区形成中的影响和作用。针对这一问题,提出一种基于节点影响力扩张的社区发现方法。首先,基于蒙特卡洛近似计算节点的局部影响力。其次,提出一种新的离心率计算方法对桥接节点进行筛选,增强种子质量。最后,采用动态规划对种子进行扩张生成社区。实验结果表明:基于节点影响力扩张进行社区发现能够有效的挖掘粒度较小的社区结构,在模块度、D-Score等指标具有一定的性能优势。

融合节点影响力与多标签传播的重叠社区发现算法

针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法.算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别.在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络.

积极交互作用视角下网络信息传播及节点影响力排序研究

[目的/意义]随着社交网络在人们获取信息、共享便利过程中发挥的优势越来越大,研究社交网络信息传播机制、挖掘网络中的高影响力节点对管控网络信息传播、深化网络信息生态治理有重要意义。[方法/过程]基于网络节点间交互模式对社交网络信息传播规模的影响,提出了一种充分挖掘用户节点间积极交互作用的网络信息传播模型,探讨了积极交互模式在网络信息传播中的作用。考虑节点间积极交互可以影响其邻居节点的活跃性,提出了一种最大化节点间积极交互作用的随机游走算法,用于识别社交网络中的高影响力节点。[结果/结论]研究结果表明,网络节点间的交互作用对激活其邻居的群体影响效应,以及对网络信息传播规模均有着较强的促进作用,基于网络节点间积极交互作用因素提出的新算法在识别高影响力节点方面比加权PageRank算法和加权LeaderRank算法更有效。

社会网络节点影响力分析研究

社会网络节点影响力研究是社会网络分析的关键问题之一.过去的10多年间,随着在线社会网络的快速发展,研究人员有机会在大量现实社会网络上对影响力进行分析和建模,并取得了丰硕的研究成果和广泛的应用价值.分析和总结了近年来社会网络影响力分析的主要成果.首先介绍了节点影响力的相关定义、作用范围以及表现形式;接着,重点分类介绍了节点影响力的度量方法,通过网络拓扑、用户行为和内容分析这3类方法总结了影响力的建模和度量方法;然后总结了影响力的传播和最大化模型相关成果;最后介绍了影响力的评价指标和应用.根据对现有方法的系统总结,对社会网络影响力的未来研究提出了一些值得关注的方向.

一种有效的基于三角结构的复杂网络节点影响力度量模型

度量复杂网络中的节点影响力对理解网络的结构和功能起着至关重要的作用.度、介数、紧密度等经典指标能够一定程度上度量节点影响力,k-shell和H-index等指标也可以应用于评价节点影响力.然而这些模型都存在着各自的局限性.本文基于节点与邻居节点之间的三角结构提出了一种有效的节点影响力度量指标模型(local triangle centrality,LTC),该模型不仅考虑节点间的三角结构,同时考虑了周边邻居节点的规模.我们在多个真实复杂网络上进行了大量实验,通过SIR模型进行节点影响力仿真实验,证明LTC指标相比于其他指标能够更加准确地度量节点的传播影响力.节点删除后网络鲁棒性的实验结果也表明LTC指标具有更好效果.

基于节点影响力的电力通信网拓扑结构诊断

结合电力通信网络的结构特征,建立了面向电力通信网络的复杂网络模型,从节点邻居拓扑特征和网络聚合特征出发定义了节点影响力。采用网络属性值信息熵计算网络拓扑特征及其对节点影响力的整体贡献度,从连通性和网络效率的角度分析节点故障后对网络拓扑抗毁性和鲁棒性的影响。分别针对BA网络、WS网络、地市骨干电力通信网络和省级骨干电力通信网络的节点影响力进行了仿真分析。结果显示在网络效率和连通度方面,与采用其他复杂网络指标的方法相比,所提出的方法能够更好地反映关键节点的传播影响力。

复杂网络节点影响力测度及其最大化研究综述

节点影响力研究对于舆情导控、信息传播、知识共享、市场营销以及群体性事件等问题具有重要的理论价值和实践指导意义。围绕节点影响力的概念界定、内涵辨析、测度与评估,以及影响力最大化等方面进行了相关文献梳理和述评。在已有节点影响力研究梳理的基础上,提出了现有研究存在的不足,并对未来研究的方向进行展望。

微博中节点影响力度量与传播路径模式研究

针对微博信息传播特点刻画微博传播网络并定义节点影响力来描述节点重要性,从而分析微博信息传播路径模式。首先采集单条微博的转播/评论数据并进行预处理;然后给出微博传播网络的形式化描述,从局部和全局2方面定义节点的影响力来刻画节点的重要性;比较实验说明新定义的影响力度量方法方法是可行的。同时,结合影响力度量给出了微博网络中信息传播路径的几种典型模式;采用软件NodeXL的可视化结果说明给出的信息传播路径模式具有一定的典型性。

基于社交网络结构的节点影响力度量方法

度量社交网络节点影响力是社交网络结构分析的关键问题之一.目前研究社交网络节点影响力的方法主要有两大类:中心度方法和节点删除方法.前者主要通过度或最短路径等因素来判断节点的影响力,不考虑网络的连通性;后者通过节点删除后对网络结构的破坏程度来判断,计算复杂性很高,不适用于较大规模的社交网络.通过结合社交网络的局部连通度及节点间的最短路径,提出了连通中心度来度量社交网络中节点的影响力,并给出了连通中心度的计算方法和一些特殊网络中节点的连通中心度的值.最后,通过实验说明该指标能很好地度量社交网络中节点的影响力.

基于数据场的复杂网络节点影响力建模与仿真

复杂网络节点影响力的研究是数据挖掘的重要组成部分。挖掘出复杂网络中有影响力的节点不仅具有重要的学术意义,且有助于抑制流行病的爆发、控制谣言的传播和推广电子商务产品等。通过选取每个节点的混合度分解值(Mixed Degree Decomposition,MDD)作为质量,将复杂网络抽象为数据场,结合数据场模型来识别有影响力的节点,并与一些著名的节点中心性方法进行对比。使用经典的传染病模型(Susceptible-Infected-Recovered,SIR)通过对比感染节点的数量来评估仿真性能。对实际网络的仿真实验结果表明,数据场模型能够有效的识别网络中有影响力的节点。

多层社交网络中节点影响力的识别

[目的/意义]信息的传播途径开始向多层社交网络发展,而其中的影响力节点对于预防谣言传播、引导信息传递等方面有着重要意义。[方法/过程]文章基于多个社交网络共同构成的多层网络拓扑结构,根据重叠连接权重与边的影响系数等概念,构建了多层社交网络中的影响力节点识别方法,并利用每个节点的多层加权度MWK值来区分节点的不同影响力。[结果/结论]通过在Aarhus大学计算机科学系雇员多层网络实现该方法,并利用经典SIR模型与多层SIR模型分别在单层与多层网络中模拟信息的传播,综合对比MWK值识别结果与仿真结果,同时结合不精确函数进行分析,从而验证了MWK指标的准确性与有效性。

基于三级邻居的复杂网络节点影响力度量方法

已有的节点影响力度量方法均存在一定的局限性。该文基于三度影响力原则,综合考虑局部度量的适宜层次及大规模网络的可扩展性,提出一种基于3级邻居的节点影响力度量方法(TIM)。该方法将节点2,3级具有传播衰减特性的邻居视为整体,用于度量节点的影响能力。利用传染病模型及独立级联模型,在3个真实数据集验证了该方法的有效性。实验结果表明,基于3级邻居的节点影响力度量方法在影响力一致性、区分度、排序性等指标中表现优越,且能够有效求解影响力最大化问题。