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 A_i Ai
对于无向网络,邻接度
A
i
A_i
Ai定义为
A
i
=
∑
j
∈
Γ
(
i
)
k
j
A_i=\sum_{j\in\Gamma(i)}k_j
Ai=j∈Γ(i)∑kj对于有向网络,邻接度
A
i
A_i
Ai定义为
A
i
=
θ
∗
∑
j
∈
Γ
(
i
)
k
j
i
n
+
(
1
−
θ
)
∗
∑
j
∈
Γ
(
i
)
k
j
o
u
t
A_i=\theta*\sum_{j\in\Gamma(i)}k_{j_{in}}+(1-\theta)*\sum_{j\in\Gamma(i)}k_{j_{out}}
Ai=θ∗j∈Γ(i)∑kjin+(1−θ)∗j∈Γ(i)∑kjout
其中
k
j
i
n
k_{j_{in}}
kjin是从节点i指向节点j的边数,
k
j
o
u
t
k_{j_{out}}
kjout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
A_1=k_2+k_7=3+6=9
A1=k2+k7=3+6=9,图b中
A
b
=
θ
∗
(
k
a
+
k
c
)
+
(
1
−
θ
)
k
g
=
(
1
+
1.75
)
θ
+
2
(
1
−
θ
)
=
2.5625
A_b=\theta*(k_a+k_c) +(1-\theta)k_g=(1+1.75)\theta+2(1-\theta)=2.5625
Ab=θ∗(ka+kc)+(1−θ)kg=(1+1.75)θ+2(1−θ)=2.5625。
定义二:选择概率 p i j p_{i_j} pij
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
=
k
i
A
j
,
j
∈
Γ
i
p_{i_j}=\frac{k_i}{A_j},j\in \Gamma_i
pij=Ajki,j∈Γi
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
=
k
1
k
1
+
k
7
+
k
3
=
2
2
+
6
+
3
=
2
11
p_{1_2} =\frac{k_1}{k_1+k_7+k_3}=\frac{2}{2+6+3}=\frac{2}{11}
p12=k1+k7+k3k1=2+6+32=112.
定义三:邻接信息熵 E i E_i Ei
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。