CN114785696B - 复杂网络节点的重要度评估方法及装置 - Google Patents
复杂网络节点的重要度评估方法及装置 Download PDFInfo
- Publication number
- CN114785696B CN114785696B CN202210499237.3A CN202210499237A CN114785696B CN 114785696 B CN114785696 B CN 114785696B CN 202210499237 A CN202210499237 A CN 202210499237A CN 114785696 B CN114785696 B CN 114785696B
- Authority
- CN
- China
- Prior art keywords
- node
- importance
- complex network
- network
- acquiring
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种复杂网络节点的重要度评估方法及装置,包括:获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表。本发明能够更准确有效地对复杂网络中的节点重要度进行评估和排序,便于有效发现重要性节点,适应性强。
Description
技术领域
本发明属于网络分析技术领域,具体涉及到一种复杂网络节点的重要度评估方法及装置。
背景技术
网络节点重要度排序是网络科学领域研究的重点和热点,其目的是为了挖掘能在更大程度上影响网络结构和功能的关键节点。设计能够快速、准确地识别网络关键节点的算法在理论研究和生活实践上都具有重要意义。例如对病毒传播网络,有选择性地控制网络中的一些重要节点或改变其结构属性,如接种疫苗、断边重连或漏洞修复等,就可以有效降低病毒的传播速度并减小扩散范围;在军事供应链网络中,寻找关键节点并进行重点保护,可以提高物资保障的可靠性和效率,有效完成后勤保障任务;在社交网络中,通过一定策略选择有影响力的用户(如明星、网络红人等)做新产品的推广和营销,使产品信息在网络中得到大范围传播从而增加营收效益。
关于如何挖掘网络关键节点,已经有了许多研究成果,典型的指标有度中心性(Degree)、半局部度(Semi-local)、接近中心性(Closeness)、介数中心性(Betweenness)、k-核分解方法(K-shell Decomposition)和H指数等。度中心性指标考虑了节点的直接邻居数量,虽然简单直观,但却把每一个邻居节点看作是同等重要的,而实际上邻居节点间是存在差异的,不同的邻居对于目标节点的重要性可能大不相同,因而在很多场景下不够精确。半局部度指标考虑了节点4层邻居的信息,在提高了算法精度的同时还兼顾了算法的效率。接近中心性和介数中心性都假设网络中的信息是基于最短路径进行传播的,实际上多数真实场景下信息传播是具有随机性的。k-核分解方法认为网络节点的重要性由节点在网络中的位置所决定,节点越接近核心层重要性越高,边缘节点重要性最低。k-核分解方法计算复杂度低,适用于大型复杂网络,可以很好地应用于寻找疾病传播网络中最有影响力的节点,但由于无法区分处于同一壳层的节点的重要度,因此通常被认为是一种粗粒化的排序方法。H指数表示一个节点的H指数如果是h,就说明这个节点至少有h个邻居,且它们的度都不小于h,H指数在一些场景中的综合表现要好于度和核数。
目前大多数指标都是从某一特定角度衡量节点重要度,有一定的适用性同时也有一定的不足,可以通过对不同的排序指标或策略进行融合可以获得更好的排序结果。现有技术中,受到万有引力公式启发,提出了综合考虑节点邻居信息和路径信息的引力方法,其中节点核数被看作节点的质量,节点间的最短距离看作物体间距离。然而,仅将核数表示为物体的质量,考虑的因素较为单一。此外,算法利用节点与邻域节点间的相互作用力来量化节点的影响力,容易将局部呈高聚簇特征的节点误判为重要度高的节点,实际上传播从这类节点发起,容易局限在小团体内部,不利于传播快速向外部蔓延。
发明内容
本发明提供一种复杂网络节点的重要度评估方法及装置,以解决现有的节点重要度评估不够准确的问题。
基于上述目的,本发明实施例提供了一种复杂网络节点的重要度评估方法,包括:获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表。
可选的,所述获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息,包括:对待评估的所述复杂网络进行k核分解,获取所述复杂网络中每个节点的用于表征所述全局位置信息的核数;对所述复杂网络进行H指数处理,获取所述复杂网络中每个节点的用于表征所述局部拓扑信息的H指数值。
可选的,所述对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量,包括:根据所述核数和所述H指数值计算每个节点的均衡因子;根据所述均衡因子对所述核数和所述H指数值进行融合,获取每个节点的所述质量。
可选的,所述根据所述均衡因子对所述核数和所述H指数值进行融合,获取每个节点的所述质量,包括:根据所述均衡因子γ应用以下关系式对所述核数和所述H指数值进行融合:m(i)=ksi+γhi,其中,ksi为节点i的所述核数,hi为节点i的所述H指数值,m(i)为节点i的所述质量。
可选的,所述获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数,包括:获取所述复杂网络中每个节点i的用于表征所述结构洞特征的网络约束系数;根据所述网络约束系数计算每个节点i的所述校正函数。
可选的,所述根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表,包括:根据万有引力公式,综合考虑节点i与邻域节点间的相互作用力应用以下关系式计算每个节点的重要度ISM(i):
其中,Ψi是到节点i的距离小于或等于第一预设值r的邻域节点集,ksi、ksj分别为节点i和节点j的所述核数,hi、hj分别为节点i和节点j的所述H指数值,γ为均衡因子,m(i)、m(j)分别为节点i和节点j的所述质量,dij为节点i和节点j之间的距离;根据所述重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
可选的,所述根据所述重要度获取所述复杂网络的重要度排序列表,包括:针对所述复杂网络中的任一节点,根据所述重要度应用以下关系式计算所述任一节点i的扩展重要度ISM+(i):其中,θ为第二预设值,0≤θ≤1,Γi为所述任一节点i的邻居节点集合,ISM(j)为节点j的所述重要度;根据所述扩展重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
基于同一发明构思,本发明实施例还提出了一种复杂网络节点的重要度评估装置,包括:信息获取单元,用于获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;信息融合单元,用于对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;特征处理单元,用于获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;重要度评估单元,用于根据每个节点的所述质量、所述校正函数应用引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表。
基于同一发明构思,本发明实施例还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项中所述的方法。
基于同一发明构思,本发明实施例还提出了一种计算机存储介质,存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上任意一项中所述的方法。
本发明的技术效果为,从上面所述可以看出,本发明实施例提供的一种复杂网络节点的重要度评估方法及装置,通过获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表,能够更准确有效地对复杂网络中的节点重要度进行评估和排序,便于有效发现重要性节点,适应性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的复杂网络节点的重要度评估方法的流程示意图;
图2为本发明实施例中的复杂网络节点的重要度评估装置的结构示意图;
图3为本发明实施例中电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明实施例还提供了一种复杂网络节点的重要度评估方法。如附图1所示,复杂网络节点的重要度评估方法包括:
步骤S11:获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息。
在本发明实施例中,复杂网络可以是病毒传播网络、军事供应链网络、社交网络等,在此并不作具体限制。对于任一给定的待评估的复杂网络G=(N,E),其中N表示节点集,E表示边集,网络的拓扑结构通常用邻接矩阵表示邻接矩阵中的元素zij可以描述节点之间的连接关系,zij=1表示节点i和节点j之间存在连接边,否则zij=0。度表示节点的邻居数量,表示为:
其中,dij为节点i和节点j之间的距离,N表示复杂网络的节点数。度反映了节点的直接影响力,节点上的链接数越多,节点度越大。由于度中心性只考虑了节点局部信息,因而是一种局部中心性指标。
在步骤S11中,可选地,对待评估的所述复杂网络进行k核分解(k-shelldecomposition),获取所述复杂网络中每个节点的用于表征所述全局位置信息的核数;对所述复杂网络进行H指数处理,获取所述复杂网络中每个节点的用于表征所述局部拓扑信息的H指数值。
对复杂网络进行k核分解时,复杂网络中如果存在度为1的节点,从度中心性的角度看它们就是最不重要的节点。如果将度为1的节点及其所连接的边都去掉,剩下的复杂网络中会新出现一些度为1的节点,再将这些度为1的节点去掉,循环操作,直到所剩的网络中没有度为1的节点为止。此时,所有被去掉的节点组成一个层,称为1-壳,记为核数ks=1。对一个节点来说,剥掉一层之后在剩下的网络中节点的度就叫该节点的剩余度。按上述方法继续剥壳,去掉网络中剩余度为2的节点,重复这些操作,直到网络中没有节点为止。更广泛地,可定义初始度为0的孤立节点属于0-壳,即核数ks=0。复杂网络中的每一个节点都属于唯一的一层,如此复杂网络中所有节点均满足k≥ks。每个节点的用于表征所述全局位置信息的核数为k核分解过程中节点被赋予的ks值。
对复杂网络进行H指数处理时,复杂网络中任一节点的H指数如果是h,说明该任一节点有h个邻居节点,且它们的度都不小于h,表示为:
其中,kjs表示任一节点i的第s个邻居的度数。在上式中,算子H返回最大整数h,使得任一节点i至少有h个邻居的度数不低于h,则该任一节点i的H指数值为h。
步骤S12:对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量。
可选的,根据所述核数和所述H指数值计算每个节点的均衡因子;根据所述均衡因子对所述核数和所述H指数值进行融合,获取每个节点的所述质量。
在本发明实施例中,由于节点的核数和H指数值不是同一个量纲,二者不能直接融合。为了融合节点这两方面的结构特征,引入一个均衡因子γ,定义为网络平均核数值与网络平均H指数之比。表达式如下关系式:
其中,<ks>表示所述复杂网络的平均核数,<h>表示所述复杂网络的平均H指数值。
然后根据所述均衡因子γ应用以下关系式对所述核数和所述H指数值进行融合:
m(i)=ksi+γhi,
其中,ksi为节点i的所述核数,hi为节点i的所述H指数值,m(i)为节点i的所述质量。
步骤S13:获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数。
k-核分解方法分解复杂网络时容易将类核团节点错误识别为网络核心,类核团内节点彼此紧密相连,与复杂网络的其他部分几乎没有联系。而实际上H指数处理方法在衡量节点的传播影响力时也存在类似问题,对于类核团节点,H指数同样会赋予这个节点高h值。而那些不仅彼此之间连接十分紧密,且与核心之外的节点还存在大量连接的节点,则是复杂网络的真核心。如此,对于一个高核数或高H指数值的节点,如果该节点同时还占据着较多结构洞,那么该节点很可能是复杂网络的重要节点。因此需要进一步引入网络约束系数来度量节点的结构洞特征,根据邻域节点间的连接情况对节点重要度排序值进行校正,从而消减k-核分解方法和H指数处理识别出的类核团节点重要度排序虚高对算法精度的影响。
在步骤S13中,可选的,获取所述复杂网络中每个节点i的用于表征所述结构洞特征的网络约束系数;根据所述网络约束系数计算每个节点i的所述校正函数。
在本发明实施例中,结构洞是指复杂网络中不存在冗余联系的两个节点之间的缺口,复杂网络中占据结构洞位置的节点相比其他的邻居节点可以获得更多的竞争优势,包括信息优势和控制优势,从而影响甚至控制社会关系与信息的传播。应用网络约束系数这一定量化指标来衡量节点形成结构洞所受到的约束,表示为:
其中,节点q表示节点i和节点j之间的共同邻居,μij表示节点i为维持与节点j的关系而投入的精力占总精力的比例,μiq表示节点i为维持与节点q的关系而投入的精力占总精力的比例,μqj表示节点q为维持与节点j的关系而投入的精力占总精力的比例。
其中,Γi为所述任一节点i的邻居节点集合,当节点i和节点j之间存在连边时,zij=1,反之,zij=0。
而校正函数可以满足以下关系式:
其中,ω(i)为节点i的所述校正函数,0<ω(i)≤1,ci为节点i的所述网络约束系数,e是自然常数。在本发明的其他实施例中,校正函数也可以满足关系式:当节点i的度越大且占据的结构洞越多,节点的网络约束系数ci值越小,校正函数ω(i)的值越大。反之,节点i的度越小且邻居之间的闭合程度越高,节点网络约束系数ci值越大,校正函数ω(i)的值越小。
步骤S14:根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表。
在本发明实施例中,根据万有引力公式,综合考虑节点i与邻域节点间的相互作用力应用以下关系式计算每个节点的重要度ISM(i):
其中,ψi是到节点i的距离小于或等于第一预设值r的邻域节点集,ksi、ksj分别为节点i和节点j的所述核数,hi、hj分别为节点i和节点j的所述H指数值,γ为均衡因子,m(i)、m(j)分别为节点i和节点j的所述质量,dij为节点i和节点j之间的距离。为了降低算法复杂度,第一预设值r优先的取值为3。而节点i和节点j之间的距离dij可以节点间除最短路径的距离,也可以是节点i和节点j之间的其它可达路径的距离。
以校正函数为为例,根据该校正函数对万有引力公式进行校正后计算每个节点的重要度,满足关系式:
计算得到每个节点的重要度ISM(i)之后,然后根据所述重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
在本发明实施例中,为进一步增加节点重要度评估的准确有效性,还对每个节点的重要度ISM(i)进行扩展,并基于节点的扩展重要度对每个节点进行重要度评估。可选的,针对所述复杂网络中的任一节点,根据所述重要度应用以下关系式计算所述任一节点i的扩展重要度ISM+(i):
其中,θ为第二预设值,0≤θ≤1,Γi为所述任一节点i的邻居节点集合,ISM(j)为节点j的所述重要度;根据所述扩展重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。对于较小的第二预设值θ,扩展重要度ISM+方法会削弱具有较大重要度ISM的有影响力邻居的影响,而较大的第二预设值θ则会增强具有较大重要度ISM的有影响力邻居的影响。不失一般性,本发明实施例中第二预设值θ取值为0.8。
现有技术中的引力模型仅将核数表示为物体的质量,考虑的因素较为单一,节点在网络中的位置,是节点的重要属性,这里的位置不仅指节点基于全局信息的k核中心性,还包括基于局部信息的结构洞位置。此外,H指数也是一个很好的度量节点重要度的指标,当一个节点核数和H指数较高,同时还占据了较多的结构洞,该节点往往具有更大的影响力。本发明实施例的复杂网络节点的重要度评估方法为基于引力方法,综合考虑节点H指数、节点核数以及节点的结构洞位置提出的引力模型的改进算法ISM及其扩展算法ISM+,综合考虑了节点局部拓扑信息(H指数)和全局位置信息(k-核中心性)并将其看作物体质量的同时,融合节点的结构洞特征以此消减网络伪核心节点重要度排序虚高对算法排序准确性的影响,利用节点与领域节点间的相互作用力来描述节点的传播影响力。相比现有技术中的引力模型只考虑节点核数及节点的路径信息,重要度ISM与扩展重要度ISM+算法在几乎不增加算法计算时间的情况下,融合了节点的多种属性信息,包括节点H指数、节点位置、节点结构洞特征以及节点的路径信息,从而可以更准确地对节点重要度进行排序。
本发明实施例还应用SIR(Susceptible Infected Removed)传播动力学模型模拟网络中信息传播过程作为实际的重要度评估结果,与本发明实施例的复杂网络节点的重要度评估方法的评估结果进行比较,评估本发明实施例的复杂网络节点的重要度评估方法的准确性。在SIR模型中,节点可能处于以下三种状态,即(1)易受感染状态S(susceptible);(2)已被感染状态I(infected);(3)恢复状态R(removed)。处于状态I的节点将以一定的传播率β将疾病传播给处于状态S的邻居节点,节点被感染后以概率λ被治愈呈恢复状态R,此后不再被感染。当网络中不再有状态I的节点出现时传播过程终止。不失一般性,本发明实施例所有实验均考虑恢复率的情况,节点经过M次SIR信息传播实验后的传播能力Φ(i)定义为其中Φ′(i)表示其中一次传播实验中,节点i作为起始传播源传播过程终止时处于状态R的节点总数。
在本发明实施例中,可以采用相关系数来度量不同重要度度量指标得到的节点重要度排序列表与基于SIR模型得到的节点传播影响力排序列表之间的相关性,其表达式为:
其中,R1与R2代表n个节点的两种不同重要度排序序列,nc和nd分别是这两种排序列表中同序对和异序对的数量,nt=n(n-1)/2,nu与nv分别是针对R1与R2计算得出的,以nu作计算说明(nv计算过程可类推),将R1中相同的元素组成小集合,小集合数用S,ui表示第i个集合中元素个数。利用相关系数进行结果计算,相关性τ值越高表示节点重要度评价指标的排序结果与SIR仿真结果越近似,评估结果越准确。
为了验证本发明实施例的复杂网络节点的重要度评估方法的评估准确性,采用前述的相关系数来度量本发明实施例的复杂网络节点的重要度评估方法的得到的节点重要度排序列表与实际的排序列表之间的相关性。其中,应用基于SIR模型得到的节点传播影响力排序列表作为实际排序结果。本发明实施例选取了6个来自不同领域的真实数据集,分别是:安然邮件网络Enron、朋友圈关系网络Facebook、科学家合作网络Netscience、航空网络USAir、人群感染网络Infectious以及网页网络EPA,评估本发明实施例的复杂网络节点的重要度评估方法的得到的节点重要度排序列表的准确性。实验结果表明,与其他评估方法如度中心性、介数中心性、接近中心性、引力模型等方法相比,在识别网络节点重要度方面准确性更高。本发明实施例的复杂网络节点的重要度评估方法基于引力模型设计了ISM方法及其扩展算法ISM+,可以有效地对复杂网络中的节点重要度进行评价和排序,兼顾局部拓扑信息和全局位置信息,基于牛顿力学中的引力公式,融合了节点的多种属性信息包括节点H指数、k核中心性以及节点的结构洞特征,弥补了现存方法评估角度片面的不足,可以更有效地对节点重要度进行评价。
本发明实施例通过获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;获取所述复杂网络的结构洞特征,并根据所述结构洞特获取每个节点的校正函数;根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述扩展重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表,能够更准确有效地对复杂网络中的节点重要度进行评估和排序,便于有效发现重要性节点,适应性强。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,本发明实施例提供了一种复杂网络节点的重要度评估装置。如附图2所示,复杂网络节点的重要度评估装置包括:信息获取单元、信息融合单元、特征处理单元和重要度评估单元。其中,
信息获取单元,用于获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;
信息融合单元,用于对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;
特征处理单元,用于获取所述复杂网络的结构洞特征,并根据所述结构洞特获取每个节点的校正函数;
重要度评估单元,用于根据每个节点的所述质量、所述校正函数应用引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,该电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器301、存储器302、输入/输出接口303、通信接口304和总线305。其中处理器301、存储器302、输入/输出接口303和通信接口304通过总线305实现彼此之间在设备内部的通信连接。
处理器301可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明实施例所提供的技术方案。
存储器302可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器302可以存储操作系统和其他应用程序,在通过软件或者固件来实现本发明实施例所提供的技术方案时,相关的程序代码保存在存储器302中,并由处理器301来调用执行。
输入/输出接口303用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口304用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线305包括一通路,在设备的各个组件(例如处理器301、存储器302、输入/输出接口303和通信接口304)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器301、存储器302、输入/输出接口303、通信接口304以及总线305,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本发明实施例方案所必需的组件,而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种复杂网络节点的重要度评估方法,其特征是,所述方法包括:
获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;
对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;
获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;
根据每个节点的所述质量以及应用所述校正函数进行校正的引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表,其中,根据万有引力公式,综合考虑节点i与邻域节点间的相互作用力应用以下关系式计算每个节点的重要度ISM(i):
其中,Ψi是到节点i的距离小于或等于第一预设值r的邻域节点集,ksi、ksj分别为节点i和节点j的所述核数,hi、hj分别为节点i和节点j的所述H指数值,γ为均衡因子,ω(i)为节点i的所述校正函数,m(i)、m(j)分别为节点i和节点j的所述质量,dij为节点i和节点j之间的距离;根据所述重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
2.如权利要求1所述的方法,其特征是,所述获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息,包括:
对待评估的所述复杂网络进行k核分解,获取所述复杂网络中每个节点的用于表征所述全局位置信息的核数;
对所述复杂网络进行H指数处理,获取所述复杂网络中每个节点的用于表征所述局部拓扑信息的H指数值。
3.如权利要求2所述的方法,其特征是,所述对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量,包括:
根据所述核数和所述H指数值计算每个节点的均衡因子;
根据所述均衡因子对所述核数和所述H指数值进行融合,获取每个节点的所述质量。
4.如权利要求3所述的方法,其特征是,所述根据所述均衡因子对所述核数和所述H指数值进行融合,获取每个节点的所述质量,包括:
根据所述均衡因子γ应用以下关系式对所述核数和所述H指数值进行融合:
m(i)=ksi+γhi,
其中,ksi为节点i的所述核数,hi为节点i的所述H指数值,m(i)为节点i的所述质量。
5.如权利要求1所述的方法,其特征是,所述获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数,包括:
获取所述复杂网络中每个节点i的用于表征所述结构洞特征的网络约束系数;
根据所述网络约束系数计算每个节点i的所述校正函数。
6.如权利要求1所述的方法,其特征是,所述根据所述重要度获取所述复杂网络的重要度排序列表,包括:
针对所述复杂网络中的任一节点,根据所述重要度应用以下关系式计算所述任一节点i的扩展重要度ISM+(i):
其中,θ为第二预设值,0≤θ≤1,Γi为所述任一节点i的邻居节点集合,ISM(j)为节点j的所述重要度;
根据所述扩展重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
7.一种复杂网络节点的重要度评估装置,其特征是,所述装置包括:
信息获取单元,用于获取待评估的复杂网络中每个节点的局部拓扑信息和全局位置信息;
信息融合单元,用于对每个节点的所述局部拓扑信息和所述全局位置信息进行融合,获取所述复杂网络中每个节点的质量;
特征处理单元,用于获取所述复杂网络的结构洞特征,并根据所述结构洞特征获取每个节点的校正函数;
重要度评估单元,用于根据每个节点的所述质量、所述校正函数应用引力模型评估计算每个节点的重要度,并根据所述重要度获取所述复杂网络的重要度排序列表,其中,根据万有引力公式,综合考虑节点i与邻域节点间的相互作用力应用以下关系式计算每个节点的重要度ISM(i):
其中,Ψi是到节点i的距离小于或等于第一预设值r的邻域节点集,ksi、ksj分别为节点i和节点j的所述核数,hi、hj分别为节点i和节点j的所述H指数值,γ为均衡因子,ω(i)为节点i的所述校正函数,m(i)、m(j)分别为节点i和节点j的所述质量,dij为节点i和节点j之间的距离;根据所述重要度对所述复杂网络中节点的进行排序,获取所述重要度排序列表。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
9.一种计算机存储介质,其特征是,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499237.3A CN114785696B (zh) | 2022-05-09 | 2022-05-09 | 复杂网络节点的重要度评估方法及装置 |
JP2022103501A JP7224700B1 (ja) | 2022-05-09 | 2022-06-28 | 複雑ネットワークノードの重要度評価方法及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499237.3A CN114785696B (zh) | 2022-05-09 | 2022-05-09 | 复杂网络节点的重要度评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114785696A CN114785696A (zh) | 2022-07-22 |
CN114785696B true CN114785696B (zh) | 2024-03-29 |
Family
ID=82436244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499237.3A Active CN114785696B (zh) | 2022-05-09 | 2022-05-09 | 复杂网络节点的重要度评估方法及装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7224700B1 (zh) |
CN (1) | CN114785696B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115643179A (zh) * | 2022-12-23 | 2023-01-24 | 上海蜜度信息技术有限公司 | 区块链节点传播影响力度量方法及系统、存储介质及终端 |
CN116070385B (zh) * | 2023-02-09 | 2023-09-22 | 中国地质科学院矿产资源研究所 | 一种境外矿产资源供应链风险自动识别方法及系统 |
CN116436799B (zh) * | 2023-06-13 | 2023-08-11 | 中国人民解放军国防科技大学 | 复杂网络节点重要性评估方法、装置、设备和存储介质 |
CN117172286B (zh) * | 2023-09-05 | 2024-05-07 | 岭南师范学院 | 一种基于改进结构洞的多层融合网络关键节点识别方法 |
CN118035374A (zh) * | 2024-04-11 | 2024-05-14 | 山东省国土测绘院 | 一种基于云平台的基础地理信息联动更新方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447088A (zh) * | 2007-08-31 | 2009-06-03 | 奥多比公司 | 基于示例的元素排列过程化合成 |
CN103413044A (zh) * | 2013-08-13 | 2013-11-27 | 东北电网有限公司 | 一种基于变电站量测信息的电力系统局部拓扑估计方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN111161226A (zh) * | 2019-12-20 | 2020-05-15 | 西北工业大学 | 一种基于谱聚类算法的大脑皮层表面的均匀分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8437280B2 (en) * | 2007-03-22 | 2013-05-07 | Tr Technologies Inc. | Distributed synchronous batch reconfiguration of a network |
US20180018709A1 (en) * | 2016-05-31 | 2018-01-18 | Ramot At Tel-Aviv University Ltd. | Information spread in social networks through scheduling seeding methods |
CN113285828B (zh) | 2021-05-19 | 2022-04-29 | 湖南经研电力设计有限公司 | 复杂网络关键节点辨识方法及其电网关键节点辨识方法 |
CN113726567B (zh) | 2021-08-28 | 2023-04-18 | 重庆理工大学 | 复杂网络中有影响力传播者识别方法 |
CN113780436B (zh) | 2021-09-15 | 2024-03-05 | 中国民航大学 | 一种基于综合度的复杂网络关键节点识别方法 |
-
2022
- 2022-05-09 CN CN202210499237.3A patent/CN114785696B/zh active Active
- 2022-06-28 JP JP2022103501A patent/JP7224700B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447088A (zh) * | 2007-08-31 | 2009-06-03 | 奥多比公司 | 基于示例的元素排列过程化合成 |
CN103413044A (zh) * | 2013-08-13 | 2013-11-27 | 东北电网有限公司 | 一种基于变电站量测信息的电力系统局部拓扑估计方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN111161226A (zh) * | 2019-12-20 | 2020-05-15 | 西北工业大学 | 一种基于谱聚类算法的大脑皮层表面的均匀分割方法 |
Non-Patent Citations (2)
Title |
---|
基于客流加载的城市轨道交通网络关键点分析;巨玉祥;李文霞;李卓;何晓平;陈晓明;;交通科技与经济(第02期);全文 * |
巨玉祥 ; 李文霞 ; 李卓 ; 何晓平 ; 陈晓明 ; .基于客流加载的城市轨道交通网络关键点分析.交通科技与经济.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
JP2023166313A (ja) | 2023-11-21 |
JP7224700B1 (ja) | 2023-02-20 |
CN114785696A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114785696B (zh) | 复杂网络节点的重要度评估方法及装置 | |
Chen et al. | Discovering missing links in networks using vertex similarity measures | |
Liu et al. | Structural representation learning for user alignment across social networks | |
Zhao et al. | A machine learning based framework for identifying influential nodes in complex networks | |
CN102214169B (zh) | 关键词信息与目标信息的提供方法及装置 | |
CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
TWI633504B (zh) | 基於樹狀搜尋的排程方法與使用此方法的電子裝置 | |
Ma et al. | Decomposition-based multiobjective evolutionary algorithm for community detection in dynamic social networks | |
US10198497B2 (en) | Search term clustering | |
CN110166304A (zh) | 一种跨域sfc的编排方法、装置、电子设备及存储介质 | |
CN112700006A (zh) | 网络架构搜索方法、装置、电子设备及介质 | |
Zhang et al. | Characterization and edge sign prediction in signed networks | |
CN110266598A (zh) | 一种路由信息处理方法、装置、设备及可读存储介质 | |
CN110889493A (zh) | 针对关系网络添加扰动的方法及装置 | |
JP7063274B2 (ja) | 情報処理装置、ニューラルネットワークの設計方法及びプログラム | |
CN109802859A (zh) | 一种网络图中的节点推荐方法和服务器 | |
CN116151384B (zh) | 量子电路处理方法、装置及电子设备 | |
Manoochehri et al. | Predicting drug-target interactions using weisfeiler-lehman neural network | |
Struharik et al. | Hardware implementation of decision tree ensembles | |
Yazdani et al. | A scoring mechanism for the rank aggregation of network robustness | |
CN116225690A (zh) | 基于docker的内存多维数据库计算负载均衡方法及系统 | |
US11620548B1 (en) | System, method, and computer program product for predicting parasitics in an electronic design | |
CN115456708A (zh) | 推荐模型的训练方法、装置、电子设备和存储介质 | |
US10289788B1 (en) | System and method for suggesting components associated with an electronic design | |
CN104639430A (zh) | 用于确定网络化系统中的社区网守的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |