CN113034297A - 基于节点吸引力的复杂网络关键节点识别方法及系统 - Google Patents
基于节点吸引力的复杂网络关键节点识别方法及系统 Download PDFInfo
- Publication number
- CN113034297A CN113034297A CN201911352376.8A CN201911352376A CN113034297A CN 113034297 A CN113034297 A CN 113034297A CN 201911352376 A CN201911352376 A CN 201911352376A CN 113034297 A CN113034297 A CN 113034297A
- Authority
- CN
- China
- Prior art keywords
- node
- attraction
- community
- nodes
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及复杂网络关键节点识别技术领域，公开了一种新的识别有影响力节点的方法及系统。所提出的方法不仅考虑了节点对节点之间的吸引力，还从网络结构角度考虑了节点对社区结构的吸引力，吸引力的大小也象征了节点在网络中具有影响力的强弱，是一种新的识别有影响力节点的方法及系统。首先对网络进行社区结构划分，在预处理后的网络上利用节点的度、节点的邻居和节点的社区属性分别计算节点对节点之间的吸引力和节点对社区结构的吸引力，将其综合作为节点最终影响力。该方法具有较低的时间和计算复杂度，通过实例验证，可以应用于大规模的复杂网络中。
Description
技术领域
本发明涉及复杂网络关键节点识别技术领域。尤其涉及一种基于节点吸引力的复杂网络关键节点识别方法及系统。
背景技术
随着网络科学的发展，对复杂网络的研究也受到了广泛的关注。复杂网络是对现实世界中复杂系统的抽象，对复杂网络的研究能帮助我们更好的认识网络的结构，了解网络的演化状态。而关键节点的排序作为复杂网络研究的一个重要分支，也一直都是网络研究中的热点。
关键节点的挖掘算法除了在理论方面具有重大意义，同时在实际生活中也可以为我们提供重要的参考价值。如有效的疫苗接种策略，挽救人的生命，以及解决社会困境，所有这些都依赖于对有影响力节点的正确识别。事实上，识别有影响的节点在社会网络，公共设施网络，信息网络和交通网络等网络的分析和研究中都发挥着重要作用。
近几十年来，对关键节点挖掘的研究和改进一直都在进行。根据所研究的具体问题，也出现了多种多样的关键节点挖掘方法。学者把他们按照合理的方式进行了分类，也对我们后面的研究提供了巨大的参考价值。例如度中心性和K壳分解等都是基于节点近邻的排序方法，接近中心性和Katz中心性等则是基于路径来对关键节点进行排序，PageRank和特征向量中心性则不仅考虑了节点邻居数量还考虑了其质量对节点重要性的影响，还有基于节点移除和收缩的思想提出的节点收缩法和节点最短距离删除法等。
上述算法从不同的角度对复杂网络中的节点重要性进行了刻画，总结起来基本上都是从节点的局部环境、所处的位置以及节点对网络功能的影响方面考虑。但随着对网络结构研究越来越成熟和深入，网络的结构特性也会影响到节点的重要性。
发明内容
本发明提供了一种基于节点吸引力的复杂网络关键节点识别方法及系统，用以解决复杂网络中关键节点识别的准确性和高效性的技术问题。
本发明文提出的方法主要考虑节点的两个影响因素。一个是节点对邻居节点的吸引强度，还有一个是节点对邻居节点所在社区的吸引强度。节点对邻居节点的吸引强度越大，节点越可能处于网络中的核心位置，节点的重要性越高。节点的邻居节点所在的社区规模越大，邻居节点在自身社区中的位置越核心，则节点也可能越重要。还有一部分虽然结构稀疏但自身影响范围很大的节点，也越可能是网络中的关键节点。
为解决上述技术问题，本发明提出的技术方案为：
S1：为了下面的计算中方便的获取到节点的社区结构属性，本发明选用经典的网络社区划分方法Louvain算法对网络进行社区划分，Louvain算法是一种有名的多级模块度优化社团检测算法，它允许进行分层结构社团检测，并且划分结果稳定，并具有较低的时间复杂度。
S2：计算节点对节点的吸引力，节点的吸引力定义为种子节点的邻居节点与种子节点的共同邻居数量与邻居节点的度的比值。值越大表明种子节点吸引力越大，同时种子节点在网络中的位置越核心。
S3：计算节点对社区吸引力，在一个具有社区结构的网络中，社区属性也应该作为节点影响力的一个决定因素，一个节点越重要，那么它应该对连接的社区结构的吸引力也越强。通过计算种子节点连接的邻居节点所在社区的规模和邻居节点的局部聚类系数，来表示它所具有的社区属性。值越大表明邻居节点所在社区规模越大，社区的紧密程度较高，同时邻居节点在自身社区中的位置也较重要，那么种子节点所具有的社区吸引力也越强。
S4：综合种子节点对节点的吸引力和对社区的吸引力来计算出种子节点的影响力。影响力越大表示节点在网络中越重要。
优选地，节点的度定义为与节点直接相连的节点的数量。一般认为一个节点的邻居数目越多，影响力就越大，这是网络中刻画节点重要性的重要指标。下面给出无向网络中度的定义，设A＝{aij|i,j＝1…N}表示无向网络G的邻接矩阵，d 表示网络G中节点的度，定义如下：
优选地，在所述步骤S2中，节点对节点的吸引力计算公式为：
式中，Ni表示节点i的邻居节点集合。
优选地，在所述步骤S3中，节点对社区的吸引力计算公式为：
其中λj表示j节点的聚类系数，计算公式为：
优选地，在所述步骤S4中，节点总的影响力值计算公式为：
Ni＝CNi+CCi
本发明还提供一种基于节点吸引力的复杂网络关键节点识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
本发明考虑基于节点的吸引力大小来识别有影响力节点，所提出的方法不仅考虑了节点对节点之间的吸引力，还从网络结构角度考虑了节点对社区结构的吸引力，是一种新的识别有影响力节点的方法。该方法具有较低的时间和计算复杂度，可以应用于大规模的复杂网络中。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例中的玩具网络拓扑图；
图2是本发明优选实施例中的Friendship网络的SIR传播验证；
图3是本发明优选实施例中的Friendship网络的TOP10节点传播验证；
图4是本发明优选实施例中的Friendship网络的Kendall相关性系数验证；
图5是本发明优选实施例中的Friendship网络的节点识别效率验证。
Claims (5)
1.一种基于节点吸引力的复杂网络关键节点识别方法，其特征在于，包括以下步骤：
S1：为了下面的计算中方便的获取到节点的社区结构属性，本发明选用经典的网络社区划分方法Louvain算法对网络进行社区划分，它允许进行分层结构社团检测，并且划分结果稳定，并具有较低的时间复杂度。
S2：计算节点对节点的吸引力，节点的吸引力为种子节点的邻居节点与种子节点的共同邻居数量与邻居节点的度的比值。值越大表明种子节点吸引力越大，同时种子节点在网络中的位置越核心。
S3：计算节点对社区吸引力，在一个具有社区结构的网络中，社区属性也应该作为节点影响力的一个决定因素，一个节点越重要，那么它应该对连接的社区结构的吸引力也越强。计算种子节点连接的邻居节点所在社区的规模和邻居节点的局部聚类系数，来表示它所具有的社区属性。值越大表明邻居节点所在社区规模越大，社区的紧密程度较高，同时邻居节点在自身社区中的位置也较重要，那么种子节点所具有的社区吸引力也越强。
S4：综合种子节点对节点的吸引力和对社区的吸引力来计算出种子节点的影响力。影响力越大表示节点在网络中越重要。
2.根据权利要求1所述的基于节点吸引力的复杂网络关键节点识别方法，其特征在于，所述步骤S2具体包括以下步骤：
在所述步骤S2中，节点对节点的吸引力计算公式为：
式中，Ni表示节点i的邻居节点集合。
3.根据权利要求1所述的基于节点吸引力的复杂网络关键节点识别方法，其特征在于，所述步骤S3具体包括以下步骤：
在所述步骤S3中，节点对社区的吸引力计算公式为：
其中λj表示j节点的聚类系数，计算公式为：
4.根据权利要求1所述的基于节点吸引力的复杂网络关键节点识别方法，其特征在于，所述步骤S4具体包括以下步骤：
在所述步骤S4中，节点总的影响力值计算公式为：
Ni＝CNi+CCi
5.一种基于节点吸引力的复杂网络关键节点识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述任一方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911352376.8A CN113034297A (zh) | 2019-12-25 | 2019-12-25 | 基于节点吸引力的复杂网络关键节点识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911352376.8A CN113034297A (zh) | 2019-12-25 | 2019-12-25 | 基于节点吸引力的复杂网络关键节点识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113034297A true CN113034297A (zh) | 2021-06-25 |
Family
ID=76452531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911352376.8A Pending CN113034297A (zh) | 2019-12-25 | 2019-12-25 | 基于节点吸引力的复杂网络关键节点识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034297A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114741826A (zh) * | 2022-04-12 | 2022-07-12 | 平顶山学院 | 一种电网系统的关键节点识别方法 |
| CN115225447A (zh) * | 2022-07-11 | 2022-10-21 | 齐鲁工业大学 | 基于投票机制的复杂网络关键节点识别方法及系统 |
-
2019
- 2019-12-25 CN CN201911352376.8A patent/CN113034297A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114741826A (zh) * | 2022-04-12 | 2022-07-12 | 平顶山学院 | 一种电网系统的关键节点识别方法 |
| CN115225447A (zh) * | 2022-07-11 | 2022-10-21 | 齐鲁工业大学 | 基于投票机制的复杂网络关键节点识别方法及系统 |
| CN115225447B (zh) * | 2022-07-11 | 2023-08-08 | 齐鲁工业大学 | 基于投票机制的复杂网络关键节点识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papadopoulos et al. | Network mapping by replaying hyperbolic growth | |
| Wu et al. | A context-aware multiarmed bandit incentive mechanism for mobile crowd sensing systems | |
| CN106991617B (zh) | 一种基于信息传播的微博社交关系提取算法 | |
| CN106951524A (zh) | 基于节点影响力的重叠社区发现方法 | |
| CN103593400A (zh) | 一种基于改进Apriori算法的雷电活动数据统计方法 | |
| CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
| CN107203619A (zh) | 一种复杂网络下的核心子图提取算法 | |
| CN104102699B (zh) | 一种聚簇图集合中的子图检索方法 | |
| CN113034297A (zh) | 基于节点吸引力的复杂网络关键节点识别方法及系统 | |
| CN107276843B (zh) | 一种基于Spark平台的多目标进化社区检测方法 | |
| CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
| CN109447261A (zh) | 一种基于多阶邻近相似度的网络表示学习的方法 | |
| CN112069416B (zh) | 基于社区发现的跨社交网络用户身份识别方法 | |
| CN109120431B (zh) | 复杂网络中传播源选择的方法、装置及终端设备 | |
| CN110263236A (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
| Sheng et al. | Community detection based on human social behavior | |
| CN103559318B (zh) | 对异质信息网络包含的对象进行排序的方法 | |
| CN108173958A (zh) | 一种多云环境下基于蚁群算法的数据优化存储方法 | |
| CN107357858A (zh) | 一种基于地理位置的网络重构方法 | |
| CN104657901A (zh) | 一种基于随机游走的标签传播社区发现方法 | |
| CN108133426B (zh) | 一种社交网络链路推荐方法 | |
| CN108712278A (zh) | 一种基于集成学习的网络社区发现方法 | |
| CN106126681A (zh) | 一种增量式流式数据聚类方法及系统 | |
| CN109194509A (zh) | 一种基于路径强弱关系和社区信息的预测网络连边的方法 | |
| CN108198084A (zh) | 一种复杂网络重叠社区发现方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210625 |