Identifying influential spreaders in complex networks based on improved k-shell method 改进k-壳2020

目录

1. Introduction

2. Related works

2.1 DC度中心性

2.2 K-shell

2.3 Mixed degree decomposition method MDD混合度分解法

2.4. Improved k-shell indicator 改进K-shell'

2.5. Neighborhood coreness centrality邻里核心中心

2.6. Weight neighborhood centrality权域中心性

2.7. Mixed core, degree and entropy混合核，度和熵

3. The improved k-shell algorithm改进的k壳算法

 ​编辑4. Experiment and analysis

4.1. Datasets

4.2. Evaluation criteria评估标准

4.2.1. SIR epidemic modelSIR流行病模型

4.2.2. Monotonicity relation单调性的关系

4.2.3. Correlation coefficient相关系数

4.2.4. Average shortest path length Ls平均最短路径长度Ls

4.3. Experimental analysis实验分析

4.4. Computational complexity analysis  计算复杂度分析

5. Conclusion

---

1. Introduction

2. Related works

2.1 DC度中心性

2.2 K-shell

2.3 Mixed degree decomposition method MDD混合度分解法

2.4. Improved k-shell indicator 改进K-shell'

2.5. Neighborhood coreness centrality邻里核心中心

2.6. Weight neighborhood centrality权域中心性

2.7. Mixed core, degree and entropy混合核，度和熵

 

3. The improved k-shell algorithm改进的k壳算法

举例子

 4. Experiment and analysis

4.1. Datasets

8个网络

4.2. Evaluation criteria评估标准

4.2.1. SIR epidemic modelSIR流行病模型

4.2.2. Monotonicity relation单调性的关系

4.2.3. Correlation coefficient相关系数

4.2.4. Average shortest path length Ls平均最短路径长度Ls

4.3. Experimental analysis实验分析

SIR模型中9种方法在8个网络上的传播规模与感染时间的函数图。

 为了评估源传播者比例的影响，我们通过改变初始感染节点的比例值从0到0.2来模拟流行病在8个网络上的传播

给出了不同评价指标与电子邮件网络实际影响¯σi的相关结果

 

九种方法得到的平均最短路径长度Ls的比较。

4.4. Computational complexity analysis  计算复杂度分析

不同方法的时间复杂度。该方法的主要优点是在与k-shell相同的复杂度下实现高性能。

5. Conclusion