一种受引力和熵启发的半局部中心性方法,用于识别加权复杂网络中的关键节点
《Neurocomputing》:A semi-local centrality approach inspired by gravity and entropy for identifying influential nodes in weighted complex networks
【字体:
大
中
小
】
时间:2026年05月13日
来源:Neurocomputing 6.5
编辑推荐:
刘鹏强|傅清华
吉林铁道大学,吉林省吉林市132299,中国
**摘要**
在复杂网络中识别具有影响力的节点是网络科学中的一个基本问题,因为这些节点在信息传播、疾病传播和网络鲁棒性方面发挥着关键作用。在加权复杂网络中,这一挑战变得更加显著,因为异构的连接强度和多样的
刘鹏强|傅清华
吉林铁道大学,吉林省吉林市132299,中国
**摘要**
在复杂网络中识别具有影响力的节点是网络科学中的一个基本问题,因为这些节点在信息传播、疾病传播和网络鲁棒性方面发挥着关键作用。在加权复杂网络中,这一挑战变得更加显著,因为异构的连接强度和多样的结构模式使得准确评估节点的重要性变得更加复杂。传统的中心性度量通常依赖于单一的结构特征,往往无法有效捕捉节点之间的交互强度以及节点在网络中的多尺度影响。为了解决这些限制,本文提出了基于引力-熵的半局部中心性(GESC)来识别加权复杂网络中的影响力节点。GESC是一种受引力定律和信息熵启发的半局部中心性度量。该度量将半局部结构信息与基于熵的邻域多样性相结合,以量化邻近节点的贡献和不确定性,同时基于引力的交互机制根据节点的结构重要性和连接强度来模拟节点之间的影响传播。具体来说,GESC使用了几种关键的中心性度量,如最短路径数量(NSP)和平均最短路径(ASP)来对节点进行排名。在多个真实世界的加权网络上进行的广泛实验表明,与传统的和最近的中心性度量相比,所提出的方法具有更高的排名准确性和与传播动态更强的一致性。
**引言**
复杂网络由通过复杂关系连接的节点集合组成,可以表示为有向图或无向图[1],[2]。复杂网络在许多现实世界系统中普遍存在,包括社交网络、生物网络、交通网络和信息网络。近年来,复杂网络分析已成为理解和建模信息传播、疾病传播和社会互动动态等现象的关键工具[3]。这些网络通常具有复杂的结构和不均匀的连接,其中只有少数节点对网络的功能或过程在网络中的传播方式有重大影响。找到并排名这些关键节点对于理解信息或影响如何在网络中传播、提高其稳定性以及管理传播行为至关重要。因此,在复杂网络的研究中,识别影响力节点既是一个基本问题,也是一个实际挑战[4],[5],[6]。
影响力节点是指那些由于其位置或连通性而在信息传播、疾病控制和网络性能等过程中发挥关键作用的节点。传统的中心性度量,包括度中心性、接近中心性、介数中心性、k壳层分解和特征向量中心性,常用于识别这些节点[4],[5],[6]。中心性度量为每个节点分配一个数值,以量化其在网络中的重要性和影响力。这些度量通常分为三类:局部度量(如度中心性);全局度量(如介数和接近中心性);以及半局部度量(如k壳层)。局部度量计算复杂度较低,但忽略了全局网络信息;而全局度量在大网络中提供了更高的准确性,但计算强度较大。半局部和混合度量试图通过利用扩展的邻域信息和整合局部和全局特征来平衡准确性和效率[7],[8]。
在加权网络中识别影响力节点特别具有挑战性,因为边权重反映了连接的强度或容量,并直接影响传播过程[1],[2],[3]。相比之下,无权网络将所有连接视为平等的。认识到这种区别至关重要,因为边权重的存在和大小直接影响传播动态和中心性评估。例如,在社交网络中,边权重可能代表信任或交互频率;而在交通网络中,它们可能表示路线频率或容量[3],[5]。此外,间接交互和多步邻域对节点影响有显著影响,但经常被传统度量忽略。因此,忽略边权重和邻域异质性的传统中心性度量可能无法准确反映加权网络中节点的真实影响和动态传播潜力。
基于最短路径的方法,包括最短路径数量(NSP)[3],[4]和平均最短路径(ASP)[5],[6],提供了识别关键节点的有效工具。位于多个关键路径上的节点通常具有更高的战略重要性。Luan等人[4]表明,同时考虑路径长度和路径数量可以增强重要节点的检测能力。然而,在大规模或加权网络中进行完整的全球分析在实践中是不可能的,因为潜在路径的数量呈指数级增长。ASP理论[5]通过基于平均路径特征估计节点重要性来解决这个问题,而无需枚举所有路径,使其适用于大规模网络。尽管如此,许多传统中心性度量仍然忽略了扩展邻域中最短路径的数量和重要性,可能会错误地识别影响力节点,并且在大规模加权网络中的计算仍然昂贵。
基于引力的方法受到牛顿万有引力定律的启发,模拟节点之间的交互,假设节点的影响与其“质量”(例如,度或中心性)成正比,与其它节点的距离成反比[7],[8],[9]。该框架将局部特征与全局网络结构相结合,以捕捉直接和间接效应。然而,现有的基于引力的方法通常忽略了超出直接连接和边权重的邻居的影响,限制了它们的准确性。许多当前方法要么只关注一个方面,要么难以有效地结合半局部信息与这些原理。同时,信息熵作为一种邻域多样性和不确定性的度量已经出现[10],[11],[12]。结合熵可以更细致地评估节点的重要性,特别是在节点连接到多样化或分散的邻居的异构网络中,这些邻居在传播和网络韧性中起着关键作用。
最近的研究还强调了多属性方法的好处[13],[14],[15],[16]。例如,Wang等人[13]引入了一种考虑节点多个属性的排名方法,包括它们的位置和周围邻居的结构。类似地,Mo和Deng[14]应用证据理论将几种中心性度量——度、介数、效率和相关性——结合到一个统一的节点重要性评估中。这样的多属性策略在更有效地评估节点影响方面显示出潜力。尽管取得了这些进展,但在加权网络中识别影响力节点仍然面临关键挑战:许多传统度量忽略了边权重和间接交互;忽略邻域多样性会降低异构网络中的准确性;基于最短路径和全局的度量计算量大且不可扩展;现有的多属性方法没有最佳地整合局部、半局部和全局特征,通常分配相等或手动设置的权重[15],[16]。
为了解决这些挑战,本文提出了基于引力-熵的半局部中心性(GESC)作为一种新的半局部度量,用于识别加权复杂网络中的影响力节点。GESC将结构半局部信息与NSP和ASP指数相结合,并通过邻域熵来模拟邻居影响和不确定性。受引力原理的启发,GESC根据结构重要性和连接权重模拟影响传播。为了提高可扩展性,它采用了扩展邻域概念,提取半局部子图以捕捉多步交互。边权重是通过结合多个特征(如度和标准化邻域连通性)来确定的,确保局部和全局关系都对节点影响评估有所贡献。
本文的其余部分组织如下:
•我们提出GESC通过整合局部、半局部和基于路径的特征来识别加权复杂网络中的影响力节点。
•GESC采用基于引力的机制来模拟节点之间的影响传播,并利用信息熵来捕捉邻域多样性和不确定性。
•通过考虑NSP和ASP,GESC在保持大网络计算效率的同时,有效估计了节点的战略重要性。
•为了提高可扩展性并提供更全面的网络表示,GESC使用多跳邻域提取半局部子图。
•边权重是通过结合多个特征(如节点度和标准化邻域连通性)来确定的,使GESC能够在影响评估中同时考虑局部和全局关系的重要性。
本文的其余部分结构如下:第2节回顾了无权和加权网络的经典中心性度量以及先进的中心性方法。第3节介绍并详细介绍了所提出的GESC度量。第4节展示了所提出中心性度量的评估结果。最后,第5节总结了本文。
**中心性度量**
节点的影响可以通过其中心性来表示。研究人员开发了各种度量来评估和排名节点的重要性。在本节中,中心性度量分为两类:无权和加权网络。
**提出的度量**
在本研究中,我们提出了一种新的多维中心性度量,称为GESC,用于准确识别加权复杂网络中的影响力节点。该方法首先为每个节点构建一个加权半局部子图GL,ω(vi),捕获邻域深度、边强度和长距离依赖性。然后,计算五个互补的影响成分,包括基于节点的、基于邻居的、基于NSP的、基于ASP的和基于引力的影响,每个成分反映了不同的结构特征。
**实验结果**
在本节中,我们通过将其性能与已建立的中心性度量进行比较来评估GESC识别影响力节点的有效性。首先,我们描述了信息传播模型、性能评估标准、基准度量和实验中使用的数据集。然后,展示了模拟结果和相应的分析。
**结论**
在这项工作中,我们引入了GESC,这是一种新的半局部中心性度量,它通过结合基于引力的交互建模和基于熵的邻域多样性,有效地捕捉了多尺度节点影响。GESC将几种关键的结构特征——包括基于节点的、基于邻居的、基于NSP的、基于ASP的和基于引力的影响——结合到一个统一的框架中,熵驱动的加权确保每个因素根据其区分能力做出贡献。
**伦理批准**
不适用
**作者贡献**
所有作者都参与了本手稿不同部分的撰写。
**利益冲突**
不存在利益冲突。
**资助**
本工作得到了博士基金(项目编号:jsbsjj2336, jsbsjj2335)和湖北省教育厅2022年科技研究计划指导项目“基于云辅助的无线体域网的数据安全研究”(编号:B2022311)的支持。
**CRediT作者贡献声明**
傅清华:撰写——审阅与编辑,撰写——原始草稿,方法论,数据管理。
刘鹏强:撰写——审阅与编辑,方法论,项目管理,资源,验证。
**利益冲突声明**
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
刘鹏强是中国吉林铁道大学的研究员。他的研究兴趣包括复杂网络、网络分析和数据驱动建模。他参与了关于节点中心性、加权网络中的信息传播及相关计算方法的研究。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号