基于邻介熵和邻度熵的复杂网络中心性算法

识别复杂网络的重要节点是复杂网络研究的关键点,也是网络稳定性判定的重要理论基础.常用的识别节点影响力的中心性指标有介数中心性、度中心性、特征向量中心性和K-core 中心性等,这些指标在识别重要节点时存在一定的局限性.为了解决以上问题,将节点v_i的邻居节点集划分成关联邻居节点集(MR)和非关联邻居节点集(M_UR),结合图的信息熵以及节点的介数中心性和度中心性,提出新的中心性指标,即基于邻介熵(NBE)和邻度熵(NDE)的关联邻居中心性RNC 和非关联邻居中心性URNC.实验通过动态攻击来评估新的中心性指标在一个实验网络模型和五个真实网络上的效率,结果表明,新的中心性比传统的中心性具有更高的识别重要节点的效率.     

基于度与H指数扩展的复杂网络节点排序方法

在复杂网络中常用的识别节点影响力的中心性指标有介数中心性、度中心性、紧密中心性、H指数中心性和K-shell中心性等,这些指标在识别有影响力的节点时存在一定的局限性.本文在H指数中心性与度中心性的基础上提出了局部DH指数中心性指标来识别网络中有影响力的节点,该指标考虑了节点自身的度与H指数以及邻居节点的H指数.通过SIR传播模型以及单调函数(M)两种方法评价了各中心性方法识别网络中节点影响力的有效性.实验结果分析表明,在一些网络中该指标较一些常用的中心性方法能够更有效地识别网络中节点的影响力.     

一种基于邻域的组合中心性方法

关键蛋白质是各种生命活动的重要参与者,在生命生存和繁殖中起着至关重要的作用.基于邻域的中心性方法是识别关键蛋白质的常用方法.提出基于邻域组合的中心性方法(CNC),将度中心性方法(DC)与局部平均连接中心性方法(LAC)进行组合,并引入参数α调节DC方法的影响权重.实验表明,与现有其它邻域中心性方法相比,CNC方法提高了静态和动态蛋白质相互作用网络的关键蛋白质识别率.     

基于介度熵的复杂网络节点重要度识别方法

现有复杂网络通常会受到随机攻击和蓄意攻击,导致复杂网络拓扑结构的可靠性性能下降.为了解决以上问题,基于图熵,结合节点的介数中心性和其所有邻居节点的度中心性,提出一种新的攻击策略,即介度熵( BE),用来识别网络中的重要节点并加以保护.实验分别通过静态攻击和动态攻击来评估攻击策略在3个标准网络模型和3个真实网络上的效率,通过比较,介度熵比传统的攻击策略具有更高的攻击效率.     

基于重要结点的社区发现算法

复杂网络中内部的社区结构是复杂网络结构特征和属性特征的具体体现。首先依据模块度最大化理论计算网络的模块度矩阵的最大k特征向量矩阵;然后提出聚类中心方法,并用于求出k个社团的重要结点作为k聚类中心,利用欧几里得距离计算每一个结点到k个聚类中心的距离,将结点分配到距离聚类中心最近的社区中;最后对网络应用k-means方法进行迭代计算,得到k个社区的划分。分别在Karate Club Network和American College Football数据集上对算法进行了实验验证,实验结果表明该算法可以有效发现潜在社区,其纯度与模块度比已有的社区发现算法都有一定的提高,并且迭代次数较少,效率较高。     

基于局部邻域连通性的重叠社区发现算法

发现复杂网络中的重叠社区是目前复杂网络分析的重要内容。选择社区代表性强的节点作为种子节点进行扩展是基于种子扩展策略重叠社区发现算法的关键,提出了一种基于度信息和邻域连通性的节点邻域中心性度量指标,并在此基础上提出了一种基于局部邻域连通性的重叠社区发现算法（Local Neighbor-hood Connectivitybased overlapping community detection Algorithm,LNCA）。首先计算每个节点的局部邻域连通熵和邻域中心性cc,选择中心性高的节点作为种子节点;然后采用带重启的随机游走策略扩展种子节点并得到初始社区;最后合并重叠度较大的社区得到最终社区发现结果。在6个带真实社区标签的网络和9个无真实社区标签的网络上,与SLP A、DEMON、CPM、Node_Perception、Ego_Networks、Egonet_Splitter等6个经典重叠社区发现算法进行比较,结果表明,在带标签网络上,LNCA算法在重叠NMI和F1分数上优于多数对比算法,可得到与网络真实社区更匹配的社区结...     

基于点权的混合K-shell关键节点识别方法

复杂网络中,评估节点的重要性对于研究网络结构和传播过程有着重要意义.通过节点的位置,K-shell分解算法能够很好地识别关键节点,但是这种算法导致很多节点具有相同的K-shell (Ks)值.同时,现有的算法大都只考虑局部指标或者全局指标,导致评判节点重要性的因素单一.为了更好地识别关键节点,提出了EKSDN(Extended K-shell and Degree of Neighbors)算法,该算法综合考虑了节点的全局指标加权核值以及节点的局部指标度数.与SIR(Susceptible-Infectious-Recovered)模型在真实复杂网络中模拟结果相比,EKSDN算法能够更好地识别关键节点.     

基于复合物结构和网络拓扑特性的关键蛋白质识别算法

关键蛋白质的识别有助于从分子水平上理解生命的活动过程,然而仅从拓扑特性角度来识别的关键蛋白质不够精准,因此为了提高识别准确率,结合复合物信息提出了确定蛋白质关键性的指标模型EIC,该模型是基于蛋白质复合物内的局部中心性特性以及网络的全局信息特性来考虑.使用DIP和MIPS两种蛋白质相互作用(PPI)网络作为实验数据集,...     

基于邻域信息的网络结构表示学习

针对传统网络表示学习方法无法学习节点网络结构相关性的问题, 提出一种基于邻域信息的网络结构表示学习模型. 该模型首先定义基于邻域信息的节点间结构相似度计算方法, 对不同邻域范围内节点间结构相似度建模； 其次构建深层自编码器, 将节点结构相似度作为监督信息优化网络表示, 在网络嵌入过程中学习节点结构信息. 与node2vec,SDNE,struc2vec三种相关算法进行对比的实验结果表明, 该方法有更好的网络结构识别能力, 能学习到节点间的结构相关性, 所得到的网络表示能适用于角色识别相关任务. 此外, 跨网络分类实验结果还体现了该方法在迁移学习方面的潜力.     

时序超网络上重要节点挖掘方法研究

在如何识别时序超网络上的重要节点方面取得了一定的进展。定义了该类网络上度量节点重要性程度的8个中心性方法及随机移除节点的基线方法，分别侧重于网络不同的拓扑结构性质和时间特征，从多个角度综合考虑了该类网络上节点的重要性。同时，构建了时序超网络上的SI传播模型，基于该模型提出了新的评估方法来衡量所提出的中心性方法的有效性。研究表明，在时序超网络上，基于最快到达路径的介数中心性方法是评价该类网络上节点重要性的良好指标。此外，基于时间分辨率的度和超度中心性方法通过寻找网络的最佳时间分辨率，可以进一步优化普通的度和超度中心性方法，弥补了普通方法不能有效考虑网络时间信息的缺点，且在多个真实网络上表现出与介数中心性方法相当的性能。     

基于复杂性理论的军事通信网络中心化方法比较

 复杂网络的中心化有助于发现复杂网络中的重要节点,具有重要的应用价值。本文介绍了中心化指标的验证条件,讨论了常用的度中心、偏心率中心、邻近中心、子图中心和信息中心5种中心化方法,并以某一具体的军事通信网络为例进行了实例仿真应用。仿真结果显示,不同方法下得到的网络中心节点不同,反映出各种中心化方法侧重点的差异。分析表明,在实际网络中单一方法不能准确反映网络的重要节点;对于复杂网络的中心化问题,应结合具体应用背景,综合考虑几种中心化方法。     

基于网络局部和全局特性的组合中心性度量措施

阐述了复杂网络中节点的中心性(即节点的重要性)对网络鲁棒性的重大影响,评估节点的多种重要性方法各自的优点与局限性.结合逆和指数ISI、度中心性DC以及介数中心性BC提出一种基于两种人工网络和两种真实网络的组合中心性度量方法IDB,利用删除节点前后网络的最大连通子图的变化对节点的重要性进行刻画仿真实验,验证了该方法的可行...     

互联网AS级拓扑中心化度量方法

针对如何能够在规模庞大、结构复杂的互联网AS级中准确而迅速地发现中心节点这一问题,展开对互联网AS级拓扑中心化度量方法的研究.应用三种现在普遍应用的中心化指标——度中心化、紧密度中心化、介数中心化,同时提出一种核中心化的度量法来度量网络中的高核数节点集合.采用节点删除法,通过删除某个节点对网络连通的破坏程度来度量网络中该节点的重要性.经研究发现紧密度中心化在互联网AS级度量上弱于度中心化和介数中心化指标;度中心化和介数中心化在攻击节点数小于0.5%时,有很强的相似性;核中心化度量方法非常适用于查找到网络中度值较高且连接紧密节点所构成的社团.     

个人微博用户网络的节点中心性研究

以新浪个人微博用户为研究对象,建立了一个"关注"与"被关注"的有向网络.将节点度、紧密度、介数和K-壳4个社会网络指标应用到微博有向网络,研究了个人微博用户网络中节点的中心性,得到网络中重要性用户,分析了他们在信息传播中的作用和在网络中所表现出来的特性,体现出该用户的兴趣爱好.研究了社会网络指标与度之间的相关性,体现出网络各指标之间的关系.研究结果有助于识别个人微博用户网络的关键节点,进而分析信息在个人微博用户网络中的传播.     

基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

恐怖网络中基于节点割集分层的组织结构发现方法

“911”等一系列恐怖事件导致越来越多的国家开始重视恐怖组织网络的研究,但社会网络分析中的一些典型度量,如节点的度、介数、接近度等,不能很好地适应具有高度组织性的社会网络.文中针对层次结构性较强的恐怖组织网络,提出了一种新的节点重要性度量,其综合了节点的全局信息与局部信息,利用割集算法对网络节点进行分层获得节点全局信息,局部信息则直接利用了节点的出/入度,并使用BP神经网络方法对综合度量进行参数优化.针对“911”恐怖事件成员网络实际数据的分析结果验证了这种度量的有效性.