摘要
在复杂网络中挖掘与已知重要节点相关的相对重要节点，是节点重要性研究的一个关键分支，在从疫情风险推断到疾病基因优先级排序等领域具有广阔的应用前景。在现有方法中，将网络嵌入与引力模型相结合提供了一种有吸引力的框架，因为其乘积形式无需迭代收敛即可聚合成对邻近性与影响力。然而，上述方法严格基于单个节点来评估种子集合，从而忽略了种子集合作为整体实体的集体影响力——即相对于给定候选节点的聚合多跳可达性。为解决这些问题，本文提出NSPG（网络语义PageRank引力，Network Semantic PageRank Gravity），从两个方面改进了引力模型。首先，它用余弦相似度的温度缩放指数替代质量构建项。该术语源于与分母中欧氏距离相同的嵌入几何结构，但仅捕捉相似度的相对方面，而分母则捕捉绝对方面。其次，它采用个性化PageRank作为种子条件化的引力系数，量化候选节点对种子集合整体的聚合多跳邻近性。在无向、无权、静态网络上的实验表明，NSPG实现了优越或可比的性能。此外，由于分子和分母的互补性，该模型在各种实验设置下仍保持稳健：它们构成一个静态的嵌入几何层以锚定分数，而PPR系数则充当一个种子条件化层，以适应种子的变化。
