融合传播概率与信息熵的二元网络关键节点识别新方法MNIE：提升网络稳定性与效率

本文提出了一种创新性的关键节点识别算法MNIE（Mixed Node Information Entropy），通过融合网络拓扑结构特征与节点间信息传播概率（感染率βth），突破了传统方法在计算复杂度、影响力范围重叠和信息丢失等方面的局限。该方法首次将熵权法（全局属性）与灰色关联分析GRA（局部属性）相结合，引入动态权重调整机制，在9个真实网络和4个合成数据集上验证了其在单调性和准确性方面优于现有主流方法。

　　

Highlight

本研究通过整合节点连接概率与信息传播动态，提出了一种基于信息熵的关键节点识别新范式，显著提升了复杂网络中关键节点识别的精度与适应性。

Related work

我们将关键节点识别技术归纳为五大类：基于网络结构特征的方法（包括局部属性、全局属性和社区结构）、动态过程模拟方法、信息理论方法、进化计算方法以及机器学习方法。每类方法各具优势，但也存在计算效率、特征覆盖范围或场景适应性等方面的局限。

Preliminaries

本文方法建立在节点信息熵和连接概率计算基础上，并通过SIR传播模型验证有效性。需要理解的是，节点信息熵反映了节点在信息传播中的不确定性，而连接概率则量化了节点间交互的潜在强度。

Motivation

现有基于节点信息熵的优化方法多局限于单一网络属性调整，未能充分考虑节点重要性与其他潜在因素的关联。我们在实验中发现：关键节点识别效果与网络传播阶段密切相关，这启发了我们引入动态感染率参数β_th来自适应调整权重分配。

Overview

MNIE方法包含三大核心模块：（1）网络感染率加权；（2）全局节点属性加权（W_Glob）；（3）局部节点属性加权。通过熵权法计算全局权重，结合GRA分析局部特征，最终融合传播概率实现节点重要性综合评价。

Experiments

在合成网络和真实网络上的实验表明，MNIE在保持较低计算复杂度的同时，在节点排名单调性和传播影响力准确性方面均优于对比算法。所有实验均在2.50 GHz Intel Core i5处理器和16GB内存环境下完成。

Conclusion

MNIE方法通过整合局部/全局属性和网络传播概率，突破了传统方法依赖单一结构特征的局限。动态权重调整机制使其能适应不同网络传播阶段，为复杂网络关键节点识别提供了新的解决方案。