论文笔记——从全局角度出发识别网络中有影响力的节点

最新推荐文章于 2023-08-25 23:57:18 发布

7:45am

最新推荐文章于 2023-08-25 23:57:18 发布

阅读量998

点赞数 1

分类专栏：影响力最大化算法研究

原文链接：https://doi.org/10.1016/j.chaos.2020.109637

版权

影响力最大化算法研究专栏收录该内容

16 篇文章 26 订阅

订阅专栏

这篇论文探讨了从全局视角识别复杂网络中具有影响力的节点。除了考虑节点的自身度（自身重要性），还引入了全局重要性，即节点与其连接的节点重要性的加权和，同时考虑了节点间距离的影响。通过调节α和β参数，可以平衡自身和全局重要性。论文以一个示例图说明，即使低度节点也可能具有关键作用，如保持网络连通。通过这种方法，可以更准确地识别网络中的关键节点。

摘要由CSDN通过智能技术生成

Identifying influential nodes in complex networks from global perspective

又是一篇来自电子科大的论文，发布在Chaos, Solitons and Fractals期刊，该论文在识别有影响力节点时不仅考虑了节点自身的重要性，也同时考虑了图中所有节点的影响力。

提出的方法

自身重要性（self importance）

在这里插入图片描述
其中，α是一个自身重要性的调节因子。 $n$ 是节点个数。可以看出，节点的自身重要性与其度成正比。

全局重要性

节点的重要性也取决于连接到它的节点的重要性。它连接的节点越重要，它就越重要。然而，节点之间的距离不容忽视，它与节点的影响成反比。
在这里插入图片描述
其中，β是一个全局重要性的调节因子。

排序

在这里插入图片描述
α和β的两种系数使该方法更加灵活。如果对节点本身重要性的要求很高，可以增加α的价值。否则，如果其目的是寻找桥接节点，则可以增加β。在这篇论文中，为了简便起见，α和β都设置为1。

在这里插入图片描述
以上图为例。不同颜色的节点表示与节点1的不同距离。例如，从节点2、3、4到1的距离都是1，因此，它们的颜色都是黄色。如果仅从度的角度来看，度为4的节点2、3无疑是最重要的，而节点1的重要性则被严重忽视了。从图中可以看出，如果节点1被删除，整个图形将不是一个连通图，因此节点1的重要性与节点2和3一样重要。图中节点的GIN如下：
在这里插入图片描述