PathSAGE：利用GraphSAGE识别时序网络中的关键传播者

《IEEE Transactions on Emerging Topics in Computational Intelligence》：PathSAGE : Identifying Influential Spreaders in Temporal Networks With GraphSAGE

时序网络影响力识别新方法PathSAGEG融合深度学习与局部路径计数，解决传统方法计算复杂、依赖最短路径等问题，实验验证其识别精度提升0.12%-70.70%，鲁棒性最优。

　　

摘要：

在时间网络中识别具有影响力的传播者对于理解和控制传播动态至关重要。然而，现有的方法（如时间介数、接近度、PageRank、度数以及基于局部路径的中心性）存在一些局限性，包括计算复杂度高、依赖最短路径、收敛性问题、无法在邻居节点不足的情况下捕捉传播动态，以及主要关注局部结构信息。本文提出了一种名为PATHSAGE的新方法，该方法解决了这些问题。该算法整合了深度学习模型GraphSAGE来捕捉全局节点信息，并将时间局部路径计数作为关键特征。与其他全局特征捕捉方法不同，PATHSAGE优化了计算复杂度。在十三个真实世界的时间网络上的实验结果表明，PATHSAGE在准确识别具有影响力的传播者方面优于现有的最先进方法。此外，PATHSAGE与时间易感者-感染者-康复者（TSIR）模型表现出很强的相关性，相对改进百分比（η%）范围从0.12%到70.70%。同时，PATHSAGE的平均鲁棒性值最低，仅为0.17，这凸显了其在时间网络中识别具有影响力传播者的有效性。