论文笔记—— 利用邻接信息熵识别复杂网络中的重要节点

利用邻接信息熵识别复杂网络中的重要节点

相关定义

定义一：邻接度$A_i$

对于无向网络，邻接度$A_i$定义为$$A_i=\sum _{j\in \Gamma (i)}{k}_j$$对于有向网络，邻接度$A_i$定义为$$A_i=\theta \ast \sum _{j\in \Gamma (i)}{k}_{j_{in}}+(1-\theta )\ast \sum _{j\in \Gamma (i)}{k}_{j_{out}}$$
其中$k_{j_{in}}$是从节点i指向节点j的边数，$k_{j_{out}}$是从节点j指向节点i的边数。

例如图a中$A_1=k_2+k_7=3+6=9$,图b中$A_b=\theta \ast (k_a+k_c)+(1-\theta )k_g=(1+1.75)\theta +2(1-\theta )=2.5625$。

定义二：选择概率$p_{i_j}$

我们通过考虑节点i将被其邻居j选择的概率来定义网络中节点i的选择概率:
$$p_{i_j}=\frac{k_i}{A_j},j\in {\Gamma }_i$$
举个栗子，在刚刚的图a中，节点1被节点2选中的概率$p_{1_2}=\frac{k_1}{k_1+k_7+k_3}=\frac{2}{2+6+3}=\frac{2}{11}$.

定义三：邻接信息熵$E_i$

提出的方法

1、重要节点识别算法

根据四种不同类型网络（无权无向网络，无权有向网络。有权无向网络以及有权有向网络）的特点，本文提出的算法可以应用于不同的网络。 在算法应用之前，我们需要得到网络的邻接矩阵A或邻接加权矩阵W。 从上述定义中，我们可以根据节点邻接信息熵的值对网络中的节点进行排序 具体算法步骤如下。