基于多属性邻居贡献的复杂网络中有影响力节点评估方法

《Entropy》：An Evaluation Method for Influential Nodes Based on Multi-Attribute Neighbor Contributions in Complex Networks

　　

准确识别有影响力节点对于分析网络结构和优化信息传播至关重要。现有方法主要依赖单一指标，如度（degree）、H指数（H-index）或k-shell，这从根本上限制了它们捕捉节点真实影响力的能力。近期的混合中心性方法试图通过结合多个局部和全局属性来解决这一问题，但它们通常通过简单加权或叠加来整合特征，未能表征结构属性间的内在协同作用。此外，它们往往过于粗略地量化邻居贡献，忽视了边强度（edge strength）的调节作用，且部分方法计算复杂度高，限制了可扩展性。为克服这些缺陷，研究人员提出WKDH，一种基于多属性邻居贡献的新型有影响力节点识别方法。WKDH通过乘法加权协同模型融合局部结构属性（度和H指数）与全局结构属性（k-shell），同时捕捉局部连接“数量”、局部连接“质量”和全局核心层位置。通过将邻居的综合特征转化为受调节的贡献度，WKDH减轻了自身属性的过度干扰，并准确反映了边的实际传播潜力。值得注意的是，该方法实现了线性计算复杂度O(m)。在9个真实网络和6个人工网络上的实验结果表明，WKDH在节点影响力排名、高影响力节点识别以及传播能力测量方面优于九种已有指标。此外，WKDH在不同网络结构上表现出强通用性，因为它无需参数调整即可运行。

**论文解读：基于多属性邻居贡献的复杂网络影响力节点评估方法**

**研究背景与问题**
在信息时代，复杂网络广泛存在于社交网络、交通系统和疾病传播等领域。有影响力节点作为信息传播的枢纽、传染源或结构鲁棒性中的脆弱点，其识别对于分析网络拓扑、优化传播路径、防控疾病扩散以及增强网络抗干扰能力至关重要。传统中心性方法大致分为四类：局部中心性、半局部中心性、全局中心性和混合中心性。局部中心性方法（如度中心性、H指数）仅依赖一阶邻域信息，计算效率高但无法捕捉全局结构；k-shell方法能区分节点核心层位置，但无法区分同一壳层内的节点影响力差异。全局中心性方法（如接近中心性、介数中心性）考虑整体网络结构，但计算复杂度高达O(n2)或更高，难以应用于大规模网络。混合中心性方法通过组合多个单一指标试图提升识别效果，但现有方法仍存在三个关键缺陷：第一，指标间协同不足，通常采用简单加权或乘积叠加，未能刻画“数量”（度）、“质量”（H指数）和“核心层位置”（k-shell）三者之间的内在乘法协同；第二，邻居贡献量化粗糙，往往直接复用节点自身属性或忽略边强度的调节作用，导致自身属性干扰过大；第三，部分方法引入经验参数或高计算开销（如三角计数、PageRank迭代），限制了跨网络的可扩展性和通用性。此外，近期基于机器学习和深度学习的方法虽然预测能力强，但需要大量标注数据、迭代优化和高计算资源，且缺乏显式结构可解释性。因此，亟需一种轻量级、可解释、无参数且能保持竞争精度的拓扑方法。

**研究内容与结论**
针对上述问题，研究人员提出WKDH方法，一种基于多属性邻居贡献的有影响力节点评估方法。该方法通过乘法加权协同模型融合度、H指数和k-shell，构建加权评估模型，并利用边强度调节的邻居贡献机制，将邻居的综合特征转化为归一化贡献度，避免了自身属性过度干扰。同时，通过拓扑驱动的自适应权重实现无参数调节，并保持线性复杂度O(m)。在9个真实网络和6个人工网络上的实验结果表明，WKDH在节点影响力排名、高影响力节点识别和传播能力测量方面优于九种基准方法（GIN、WKS、WNC、WKSD、EWKSD、HIC、LSS、HNPR、WDKS），且在不同网络结构和感染率场景下表现出强鲁棒性和通用性。该研究发表在《Entropy》期刊上。

**关键技术方法**
（不超过250字）研究人员采用的关键技术方法包括：（1）乘法加权协同模型，通过公式KDH_i = (deg_i × H_i)^α × (ks_i)^1-α融合度（deg_i）、H指数（H_i）和k-shell值（ks_i），其中α由网络平均度、平均H指数和平均k-shell通过拓扑自适应公式确定；（2）边强度调节的邻居贡献机制，定义边权重w_ij = KDH_i × KDH_j，并通过平均边权重归一化，最终节点影响力WKDH_i = Σ_j∈N(i) (KDH_j × w_ij / w?)；（3）线性复杂度算法，通过遍历所有边和邻居实现O(m)计算；（4）采用经典SIR传播模型模拟节点传播能力，设置五种感染率场景（β = β_c/4, β_c/2, β_c, 2β_c, 4β_c），并基于Kendall系数、Jaccard系数和不精确函数评估性能。实验数据来源包括9个真实网络（Power、Dolphin、Jazz、Netscience、Euroroad、Plant、Citeseer、Faa、Infectious）和6个人工网络（ER_500、ER_1000、ER_2000、LFR_500、LFR_1000、LFR_2000），所有网络均为无向无权图。

**研究结果**

**4.4.1 真实网络**
通过Kendall系数评估，在9个真实网络上，WKDH在五个SIR感染场景下与SIR模型传播能力排名的Kendall系数值普遍高于大多数基准方法，尤其在Power、Jazz、Euroroad网络中表现突出。Jaccard系数结果显示，WKDH在识别高影响力节点（前20%）方面与SIR模型的匹配度显著优于多数基准方法，在Power、Netscience、Euroroad、Citeseer网络中所有场景下均领先。不精确函数分析表明，WKDH在Power、Netscience、Euroroad、Plant网络中高影响力节点的传播能力不精确度最低，在其他网络中与最优值差异小于0.02。

**4.4.2 人工网络**
在ER随机网络（500、1000、2000节点）中，WKDH在大多数SIR场景下Kendall系数显著高于基准方法，排名一致性更强。在LFR社区网络（500、1000、2000节点）中，WKDH在多数场景下Kendall系数领先，仅在LFR_1000中略低于HNPR，但整体表现优异。

**4.4.3 统计显著性分析**
采用Friedman检验和Nemenyi事后分析，基于45个测试实例（9个网络×5个SIR场景）的Kendall系数，结果表明WKDH平均排名1.33，显著优于WKSD、WNC、EWKSD、LSS、WKS、GIN，与HNPR（3.00）、WDKS（3.22）、HIC（3.33）无显著差异但排名最优。

**4.5 参数敏感性分析**
通过将自适应权重α从0变化到1，并在9个真实网络上测试，发现WKDH的自适应α值（公式2计算）始终位于Kendall系数曲线的峰值附近或内部，且曲线平坦，表明对扰动不敏感。极端α值（0或1）或去除权重机制均导致性能显著下降，证实了局部与全局属性自适应平衡的必要性。

**4.6 网络拆解分析**
通过按节点重要性降序移除节点，评估网络最大连通分量相对大小下降速度。WKDH在9个网络中的7个（Power、Netscience、Jazz、Euroroad、Plant、Citeseer、Faa）获得最小鲁棒性指标R（曲线下面积），表明其识别的节点在移除后对网络连通性破坏最强，在其他网络中与最佳基准方法性能相当。

**讨论与结论**
讨论部分指出，WKDH在多个真实和人工网络上的实验验证了其有效性和鲁棒性，但存在局限性：评估仅基于有限网络集（9个真实+6个合成），未涵盖所有网络结构；当前研究仅针对静态、无向、无权网络，在动态、有向、加权网络中的行为有待探索；网络拆解分析仅针对节点移除，未考虑随机边移除、噪声或不完整数据；统计验证目前仅针对Kendall系数，Jaccard系数和不精确函数的非参数检验有待未来工作。未来方向包括研究动态网络中的增量更新机制，以及针对加权和定向网络细化边权重定义，如区分入度和出度属性设计差异化的贡献度计算规则。
**研究结论**：本文提出WKDH，一种基于多属性邻居贡献的节点影响力评估方法，旨在准确识别复杂网络中的关键影响力节点。WKDH创新性地融合了节点的局部结构属性和全局结构属性，通过构建加权评估模型，深入挖掘不同属性间的协同效应，突破了传统方法简单加权或叠加的局限。该方法具有线性计算复杂度O(m)，适用于大规模网络场景，且无需根据网络结构调整参数，具有优异的稳定性和通用性。实验结果表明，在9个真实网络和6个人工网络上，WKDH在影响力排名、高影响力节点识别和传播能力方面表现优异，在多种SIR感染场景下优于九种基准方法。WKDH有效平衡了识别精度和计算效率，为复杂网络结构分析、信息传播优化和网络鲁棒性增强提供了可靠工具，具有重要的理论价值和实际应用意义。