信息熵对复杂网络中影响节点的识别（Enrenew algroithm）以及SIR模型

信息熵对复杂网络中影响节点的识别

 识别一组有影响力的节点是复杂网络中的一个重要课题，在市场营销、谣言控制和价值预测等诸多应用中起着至关重要的作用 科学出版物。 在这方面，研究人员已经开发了从简单程度方法到各种复杂方法的算法。 然而，一种更健壮和实用的算法 是任务所必需的在本文中，我们提出了En更新算法，旨在通传播扩展能力。

SIR模型

影响力最大化一般是通过SIR模型来评估算法的效果的。 SIR模型中的每个节点可以分为三种状态，即感知节点(S)、感染节点(I)和恢复节点®。 首先，将初始选定的节点设置为受感染的节点（I）和所有其他在网络中的易感状态节点（S）, 在每次传播迭代中，每个感染节点（I）随机选择其直接邻居之一，并以概率$\mu$感染它， 同时，每个受感染的节点（I）将以概率$\beta$恢复，并且不会再次被感染。在本研究中，$\lambda =\frac{\mu }{\beta }$被定义为感染率，这对SIR模型中的传播速度至关重要。 显然，经过足够的传播迭代，网络可以达到一个稳定的阶段，没有感染。 为使信息在网络中广泛传播，本文中设定$\mu =1.5{\mu }_c$，其中${\mu }_c=\frac{k}{k^2-k}$，其中k为图中所有节点度的平均值。 当$\mu$小于${\mu }_c$时，在SIR中的传播只能影响很小的范围，甚至根本不能传播。 当它比${\mu }_c$大得多时，几乎所有的方法都会影响整个网络，这种比较毫无意义。 因此，我们在实验上围绕${\mu }_c$选择$\mu$。

Enrenew algroithm

voteRank算法忽略了节点的本地信息，而提出来的Enrenew算法可以克服这个缺点。 任何节点v的信息熵计算方法：

其中，$p_{uv}=\frac{d_u}{{\sum }_{l\in {\Gamma }_{(v)}{d}_l}},{\sum }_{l\in \Gamma (v)}{p}_{lv}=1$。$H_{uv}$表示从u到v的传播能力。 $E_v$是节点v的信息熵，表明它的初始重要性，由提出的算法更新。

算法如下：

简单地选择度较大的节点作为初始扩展器可能不会取得好的结果。 因为大多数真实的网络都有明显的集群现象，即高密度节点在网络通常在同一个社区中紧密相连。为了解决这种情况，在选择每个具有高影响的节点后，我们对其局部范围内所有节点的信息熵进行更新，然后选择信息熵最高的节点作为传播者。具体过程如算法1所示。其中$E_{⟨k⟩}=-⟨k⟩\ast \frac{1}{⟨k⟩}\ast log(\frac{1}{⟨k⟩})$，其中$⟨k⟩$是图中所有节点度的平均值。$\frac{1}{2^{l-1}}$为衰减因子， 节点离节点v越远，对节点的影响就越小。 从算法1中可以看出，在选择一个新节点后，其l长度可达节点信息熵的更新与H和$E_{⟨k⟩}$有关，H和$E_{⟨k⟩}$反映了局部结构信息以及全局网络信息。
与voterank相比，EnRenew以H值代替连接节点之间的投票能力，它考虑了更多的本地信息，而不是直接设置投票能力为1。 同时，EnRenew使用$\frac{H}{E_{⟨k⟩}}$作为衰减因子，而不是$\frac{1}{⟨k⟩}$，保留了全局信息。