论文笔记——RINF：一种重排序的影响力最大化算法

A Re-Ranking Algorithm for Identifying Influential Nodes in Complex Networks

本文基于节点排序方法，提出了一种新的信息传播函数重新排序算法，以识别复杂网络中一组有影响的节点。对于该算法的每一步，选择得分最高的节点，然后利用信息传播概率函数INF根据所选节点的局部路径更新节点分数。利用可感知感染恢复(SIR)模型评估了该算法的有效性。

1 背景知识

SIR model

之前论文笔记中讲过，这里不做过多介绍。

重排序算法

若节点以概率α将信息传播给邻居，则信息从节点$v_i$传播到节点$v_j$的概率为：

其中$|p_{ij}^{(l)}|$为节点$v_i$和节点$v_j$之间长度为l 的路径数目。受此启发，提出了一种重新排序算法RINF，通过对现有节点排序算法的重新排序结果来识别一组有影响力的节点如度中心性，pagerank等。

2 提出的方法

其中，${\Gamma }_{l(v)}$为节点v的l跳邻居（节点v和${\Gamma }_{l(v)}$之间的最短路径为l）。在选择任意节点排序算法作为输入后，反复选择得分最大的节点，并通过传播速率函数INF降低其他节点的分数，直到选择特定数量的节点。
为了给出一个直观的解释，我们使用RINF基于度中心性选择一个toy网络上的前2个节点。

如图1所示，图1(a)表示在第一回合中选择节点F（最高分数），并在以下过程中将其分数设置为0。节点A、C、G、H、I、J、K的分数降低了Eq1。根据新的节点分数，选择节点A，因为它得到了最高的分数3.84。