摘要
在有向网络中识别具有影响力的节点对于扩散分析、网络鲁棒性评估和信息推荐至关重要。由于有向边引入的不对称性，传统的中心性方法往往难以同时描述节点的局部传播范围、高阶扩散潜力以及结构桥梁作用。为了解决这个问题，本文提出了KSGR算法来识别有向网络中的重要节点。基于节点能够影响其入邻居的假设，KSGR结合了反向局部可达性、反向扩散效率、层次不对称性、有向反向k壳层、反向结构吸引力和结构多样性增强等因素。此外，还使用了一种基于网络规模、互惠性、LWCC比率和SCC比率的轻量级网络分析机制，来为不同类型的网络选择合适的结构增强方案。通过在六个真实世界的有向网络上的实验，将KSGR与PageRank、LeaderRank、ClusterRank、入度、邻接熵（Adjacency Entropy）、BII和NEM等算法进行了比较。在采用的反向边传播规则和SI设置下，KSGR在Top-10种子实验中获得了最高的平均标准化传播AUC和最终感染规模。进一步的Top-5和Top-20实验表明，该排名方法可以应用于不同规模的种子集合。Kendall相关性分析显示，KSGR产生的排名结果与传统中心性方法和基于随机游走的方法有所不同。LWCC节点移除实验表明，排名靠前的KSGR节点能够影响测试网络中连接较弱的组成部分。参数敏感性和阈值鲁棒性分析表明，KSGR在不同增强设置以及自适应分支选择阈值的适度扰动下仍能保持稳定的传播性能。
