一种识别有影响力节点的新方法：返回随机行走重心

论文出处

ABSTRACT

为了识别真实网络中有影响力的节点，必须注意考虑网络中局部和全局信息的重要性。此外，考虑动态信息也是关键。因此，本文的主要目的是在返回随机行走和有效距离重力模型（CRRWG）的基础上提出一种新的中心性测度。这一新指标增加了具有双重作用的节点的相关性：i）在本地级别，它们在其社区或集群中很重要，ii）在全球级别，它们赋予网络凝聚力。 与其他传统的中心性模型相比，它具有优势，因为它考虑了全局和局部信息，以及节点之间动态交互的信息，正如最近对社区意识中心性度量的研究所表明的那样。因此，动态和静态信息的结合使检测复杂网络中有影响力的节点变得更容易。为了验证所提出的中心性度量的有效性，将其与经典度量进行了比较，如度、接近度、间隔度、PageRank，以及其他基于引力模型、有效距离和社区意识方法的度量。通过在不同类型的网络上进行的一组实验，实验结果表明了CRRWG的有效性。

1.Introduction

因此，本研究的主要贡献是提出了一种新的中心性度量，该度量侧重于增加具有双重作用的节点的相关性：在局部层面，它们在其社区或集群中很重要，在全局层面，它们赋予网络凝聚力。它结合了以下方法：i）一个名为Return Random walk的基于步行的链接预测器，ii）有效距离，以及iii）引力模型。这种方法的优势在于检测复杂网络中的重要节点，将引力模型中使用有效距离的静态和动态信息相结合。使用返回随机行走可以突出社区结构，同时考虑全局和局部信息，增加相关节点在加强社区任务中的中心地位。

这里是引用为了检查所提出的模型的稳健性，我们使用了七个真实网络（有向、无向、加权和未加权）。通过易感感染（SI）模型，我们测试了扩散的速度和可达性，并将我们的建议与七个中心性度量进行了比较。结果证明了该方法的改进。为了实现本文提出的目标，本文的其余部分结构如下。为了评估提案，第2节介绍了各种众所周知的中心性指标。第3节描述了用于开发度量的方法，该度量有助于我们识别有影响力的节点。为了验证模型，有必要获得结果并将其与其他模型进行比较；这在第4节中完成。最后，第5节给出了结论。

2.Preliminaries

2.1 Centrality measures

给定图G（V，E，W），其中V是N个节点的集合，E是边的集合，W是加权矩阵，a是邻接矩阵，计算不同中心性度量和模型的过程在表1中描述为经典中心性度量，在表2中描述为社区感知中心性度量。

2.2 Effective distances gravity model (EffG)

受物理学引力定律的启发，基于网络中不同节点之间吸引的思想，Li等人[47]提出了一种新的度量方法来测量每个节点的影响。在这种方法中，具有与许多节点相邻的许多邻居的节点更具影响力。因此，节点i的影响可以估计为：

其中Ki和Kj分别是节点i和j的度数，dij是i和j之间的最短拓扑距离，i≠j。这种方法有两个主要缺点：一方面，计算所有节点对之间最短距离的计算时间很长。另一方面，一