节点重要性和筛选方法对比的两组实验过程

实验显示评定节点传播能力(1)

在评价应用某种启发式方法筛选出节点影响能力的时候,通常会借助贪心方法,对节点进行传播测试,分析其传播范围。如果在图中显示(散点图),则横坐标对应于节点的评价值,例如度为3(注意不是节点序号)的节点可能包括2个节点,纵坐标对应于这两个节点的传播范围。
这里的纵坐标的传播范围可以采用扩散规模表示出来:
G i = 1 M ∑ m = 1 M g i ( m ) ( 1 ) G_{i}=\frac{1}{M}\sum_{m=1}^{M} g_{i}(m) (1) Gi=M1m=1Mgi(m)1
这里M表示执行次数, g i ( m ) = n o d e a c t i v e d N g_{i}(m)=\frac{node_{actived}}{N} gi(m)=Nnodeactived, n o d e a c t i v e d node_{actived} nodeactived表示已经激活的节点数量,N表示总节点数。
如图显示:
在这里插入图片描述

对比不同评定指标的关系图 (2)

此实验横坐标为方法1的评定指标值,纵坐标为方法2的评定指标值(有时会为了更好区分节点,会在节点评价指标基础上放大1000倍–例如《利用邻域“结构洞”寻找社会网络中最具影响力节点》),色条模拟的传播能力,散点图的设置过程如下:以横坐标为0.2的节点为例,在多次模拟下,找到网络中方法1(横坐标)指标值为0.2的节点,为图中所示的两个节点,求解方法2(纵坐标)时候,这两个点对应的纵坐标的值。色条中节点对应颜色暂时理解为公式(1)中的计算的结果。因此这类实验的目标一般都是节点较少的数据集。
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
节点重要性评估是复杂网络分析中的重要问题,目前国内外主要采用以下几种方法: 1. 中心性(Degree Centrality):中心性是指节点数,即与该节点相邻的边的数量。这种方法认为节点重要性与其在网络中的连接数有关,节点数越高,其在网络中的重要性越高。 2. 介数中心性(Betweenness Centrality):介数中心性是指节点在网络中的最短路径中出现的次数。该方法认为节点重要性与其在网络中的中介位置有关,即节点在网络中连接其他节点的路径中所处的位置越重要。 3. 接近中心性(Closeness Centrality):接近中心性是指节点到其他节点的平均距离的倒数。该方法认为节点重要性与其在网络中的接近程有关,即节点与其他节点的距离越近,其在网络中的重要性越高。 4. 特征向量中心性(Eigenvector Centrality):特征向量中心性是指节点在网络中的重要性与其邻居节点重要性有关。该方法认为节点重要性与其邻居节点重要性有关,即节点连接的邻居节点重要,该节点重要性越高。 5. 支配集中心性(Dominance Centrality):支配集中心性是指在有向网络中,节点被多少个支配集所包含。支配集是指包含了网络中所有入为0的点的一个极小集合。该方法认为节点重要性与其在网络中被多少个支配集所包含有关。 总的来说,这些方法各有优缺点,适用于不同的场景和问题,需要根据具体情况选择合适的方法进行节点重要性评估。在国内外的研究中,这些方法都有广泛的应用,并不断有新的方法算法被提出。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值