突发事件下基于改进K-Shell分解的意见领袖识别研究

[目的/意义]为实现突发事件网络舆情的精准管控,对突发事件中的意见领袖识别进行研究。[方法/过程]针对K-Shell分解使得同一核层的节点具有相同K-Shell值的粗粒化分解问题,结合用户自身属性与用户交互行为对核心用户进行用户重要度因子量化,并通过重构各节点K-Shell值的计算方法来加以改进;在此基础上定义以转发比例为权重的相邻用户重要度贡献值,从而构建一套意见领袖的识别方法。[结果/结论]以“郑州地铁7·20事件”为例,进行实证分析。结果表明突发事件中意见领袖主要由主流媒体与自媒体两类用户组成,且意见领袖的特征与类型随舆情生命周期的变化而变化。本文提出的意见领袖识别方法能够精确地给出意见领袖的排名,较K-Shell分解法识别效率更高,较社交平台传统的排序方法更具可解释性。

基于K-shell分解与邻居节点度去噪的链路预测方法

链路预测是研究复杂网络结构和演化机制的重要工具,提高链路预测的精度具有重要价值。针对传统的基于网络拓扑结构相似性算法预测精度偏低的问题,从网络优化去噪的角度进行分析,提出了一种基于K-shell分解与邻居节点度(KSDNN)去噪的链路预测方法。该方法首先从全局的角度通过K-shell分解对复杂网络中所有节点进行重要性排序,然后从局部的角度结合节点邻居节点的度对节点重要性进行综合评判,最后对网络数据进行优化后进行链路预测。通过在四个不同的真实网络进行验证,实验结果表明,所提方法预测精度优于K-shell去噪的方法,且相较于传统算法预测精度平均提升了2%左右。

基于K-shell位置和两阶邻居的复杂网络节点重要性评估方法

K-shell分解法能快速识别复杂网络中的关键节点,但是无法辨别同壳层内节点重要性的差异,并且低估了处于网络边缘位置的高度值节点的重要性。针对这两个问题,提出一种基于K-shell位置和两阶邻居的节点重要性评估方法。该方法根据K-shell分解过程中节点移除的顺序细化节点的全局位置信息,然后综合考虑节点的局部拓扑结构信息和全局位置信息,利用两步长内邻居节点的K-shell位置信息度量节点的重要性。在八个真实网络上用传染病模型进行仿真实验,结果表明,所提方法与其他五种相关方法相比能更准确有效地评估并区分节点的重要性。

基于K-shell分解法的我国中药行业创新吸收研究

基于2005—2016年中国中药行业发明授权专利,利用国际专利分类(IPC)信息构建专利共现网络,并基于K-shell分解法识别网络中的核心技术,分析中药行业核心领域的技术结构、研究热点以及中药核心领域对其他技术主题的吸收情况,并分时期对创新吸收做了进一步的描述,探索出中药行业的发展趋势、技术增长点以及中药核心技术吸收的主要领域,以期为我国中药行业技术创新提供参考和建议。

基于k-shell分解的多智能体牵制控制算法

针对多智能体网络在牵制控制过程中存在的网络分裂现象,考虑到牵制节点选择对多智能体收敛速度的影响,提出一种基于k-shell分解的牵制控制算法.首先根据节点连通度划分子网;然后提出基于k-shell分解的牵制节点选择方法;最后完成多智能体的牵制控制.理论推导证明,采用该算法后整个智能体网络最终将形成一个子网.分析对比3种牵制控制算法,通过实验仿真结果验证所提出算法能够实现多智能体的一致性,有利于提高多智能体的收敛速度.

基于介中心性及K-shell的脑网络核心节点评价方法

在对基于核磁共振成像技术重构得到的人脑结构网络的研究中,核心节点的识别是对全脑网络特性展开研究的基础,具有重要意义。给出了一种基于K-shell和介中心性的核心节点评价方法,首先使用以节点局部重要性为标准的度中心性、邻近中心性和介中心性三个中心性评价方法分别对人脑结构网络中的节点重要性展开评估和分析;接着利用以节点全局地位为标准的K-shell分解法对人脑结构网络的核心节点展开分析。实验结果显示,由于同时兼顾了脑网络节点的整体特性和局部特性,该方法能够更全面和准确地识别核心脑区节点。

tsk-shell:一种话题敏感的高影响力传播者发现算法

在社交网络中,挖掘高影响力的信息传播者,对微博服务中内容的流行度分析和预测是非常有价值的任务.与众多相关方法相比,k-shell分解(k-core)方法因其简洁高效、平均性能好的特点吸引了越来越多的研究人员的兴趣.但是,目前k-shell方法着重考虑节点在网络中的位置因素,而忽略了话题在信息传播中的影响.因此,为了利用用户历史数据中蕴含的话题对消息的传播概率进行细粒度的建模,提出了一种话题敏感的k-shell(topic-sensitive k-shell,tsk-shell)分解算法.在真实Twitter数据集上实验表明,在发现top k高影响力传播者任务中,tsk-shell比k-shell的性能平均提高了约40%,证明了tsk-shell算法的有效性.

基于K-shell的超网络关键节点识别方法

将K-shell指标扩展到超网络中,避免了超网络中超度较大、但位于超网络边缘位置的节点对挖掘关键节点带来的影响。由于K-shell方法的局限性,导致节点排序结果过于粗糙。针对这一问题,结合超度和K-shell(ks)值利用欧式距离公式提出识别超网络关键节点的k^(d)_(s)指标,并利用蛋白复合物超网络进行验证。实验证明,k^(d)_(s)指标能够准确有效地识别超网络中的关键节点。

一种基于改进K-shell的节点重要性排序方法

对复杂网络中节点的重要性进行排序在理论和现实中都有着重要的意义。传统K-shell分解方法有着排序结果分辨率不高的缺陷,针对这一问题,提出了一种改进的K-shell方法,通过利用K-shell分解过程中节点被删除时的迭代层数来进一步区分不同节点的重要性程度。在三类不同的现实网络中的实验表明,该方法能够有效解决传统方法的缺陷,在提高排序结果分辨率的同时有着较好的时间复杂度。

基于点权的混合K-shell关键节点识别方法

复杂网络中,评估节点的重要性对于研究网络结构和传播过程有着重要意义.通过节点的位置,K-shell分解算法能够很好地识别关键节点,但是这种算法导致很多节点具有相同的K-shell(Ks)值.同时,现有的算法大都只考虑局部指标或者全局指标,导致评判节点重要性的因素单一.为了更好地识别关键节点,提出了EKSDN(Extended K-shell and Degree of Neighbors)算法,该算法综合考虑了节点的全局指标加权核值以及节点的局部指标度数.与SIR(Susceptible-Infectious-Recovered)模型在真实复杂网络中模拟结果相比,EKSDN算法能够更好地识别关键节点.

基于迭代K-shell和改进信息熵的节点重要性排序算法

复杂网络中对节点重要性排序算法的研究具有重要的现实意义。传统的K-shell算法排序结果分辨率不高,根据节点信息熵的排序算法时间复杂度又过高。针对这一问题,提出基于迭代K-shell和改进信息熵的节点重要性排序算法。首先,通过分析K-shell分解过程中的迭代信息得到节点在网络中的全局信息;其次,提出改进的节点信息熵来得到节点的局部信息;最后,综合节点的全局和局部信息对节点重要性进行排序。通过将该算法在4个真实数据集上与其他6个算法进行实验,该算法与现有方法相比排序结果的分辨率更高、节点信息传播能力更强且时间复杂较低,更适用于大规模网络。

基于K-shell的特大城市公交换乘优惠与线网规划协同优化

针对特大城市公交系统存在汽车公交客流量急剧下降,企业亏损严重,若调整线路又会增加一些乘客广义出行费用使得公交出行比例下降这一问题,提出"大幅度降低常规公交线路数量,增加接驳和通勤公交线路数量"汽车公交线网规划调整与"公交换乘优惠"的协同优化方法。采用复杂网络理论的K-shell分解法计算各站点Ks值并排序,选择主要换乘节点,确定保留下的骨干公交线路,构思其余公交线路候选集合;建立换乘优惠方案下汽车公交线网调整优化双层规划模型,其中上层为系统广义出行成本最小化、公交出行量最大化和公交企业亏损最小化的多目标模型,下层为基于弹性需求的多方式多用户均衡配流模型。采用浮点遗传算法优化求解,以天津中心城区为例予以分析,结果表明:采用本方法可解决特大城市公交换乘站点的优化确定问题;与不实施换乘优惠和规划调整方法、只有换乘优惠方法和只有规划调整方法相比,系统广义出行成本分别降低14.05%,13.01%和8.65%,公交分担率分别增加29.03%,26.01%和11.66%,公交企业亏损分别降低27.19%,23.63%和10.20%;该方法能适应特大城市客流需求特点,通过汽车公交企业线网结构大调整和政策扶持,在减少不必要亏损的同时降低出行者广义成本,保持较高的公交分担率,提升城市公交综合服务水平。

一种复杂网络上信息传播的动态竞争机制

非共识性的意见普遍存在于人类的交互活动中。本文研究由带有反对意见的信息诱导出的信息竞争动态过程。建立一个新的信息竞争模型,以体现复杂网络中消息交互的真实情况。结果显示,对网络中节点进行k-shell分类后发现,节点的k-shell值在信息竞争过程中起到了重要作用。通过变换模型中的参数,可以成功解释不同的信息竞争现象。新的信息竞争模型非常适用于对网络信息传播的研究。

基于标签传播的重叠社团发现算法

说话者-侦听器标签传播算法(Speaker-Listener Label Propagation Algorithm,SLPA)以标签传播算法为基础,通过Speaker和Listener互动的动态过程来发现网络中的重叠社团,时间复杂度近似线性,但在标签传播过程中存在随机性,并且在应用到大规模网络时节点标签初始化需耗费大量的资源。针对以上问题,通过改进SLPA设计了一种基于标签传播的重叠社团发现算法(Overlapping Community Division Algorithm Based on Label Propagation,LP-OCD)。该算法在每个节点存储器初始化标签之前,利用K-Shell分解算法对网络进行预处理,去除边缘层节点;在标签更新阶段,通过改进Speaking和Listening策略来降低算法的随机性;后处理阶段边缘层节点的标签由其邻居节点信息决定。实验结果表明,LP-OCD算法不仅具有近似线性的时间复杂度,而且显著提高了所发现重叠社团的质量。