CN115130044A - 一种基于二阶h指数的影响力节点识别方法和系统 - Google Patents

一种基于二阶h指数的影响力节点识别方法和系统 Download PDF

Info

Publication number
CN115130044A
CN115130044A CN202210684356.6A CN202210684356A CN115130044A CN 115130044 A CN115130044 A CN 115130044A CN 202210684356 A CN202210684356 A CN 202210684356A CN 115130044 A CN115130044 A CN 115130044A
Authority
CN
China
Prior art keywords
node
order
index
nodes
seed
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.)
Granted
Application number
CN202210684356.6A
Other languages
English (en)
Other versions
CN115130044B (zh
Inventor
马志新
王赟栋
徐玉生
刘莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gansu Daily Newspaper Group Co ltd
Lanzhou University
Original Assignee
Gansu Daily Newspaper Group Co ltd
Lanzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gansu Daily Newspaper Group Co ltd, Lanzhou University filed Critical Gansu Daily Newspaper Group Co ltd
Priority to CN202210684356.6A priority Critical patent/CN115130044B/zh
Publication of CN115130044A publication Critical patent/CN115130044A/zh
Application granted granted Critical
Publication of CN115130044B publication Critical patent/CN115130044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于二阶H指数的影响力节点识别方法和系统，包括：获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；根据二阶H指数的概念，获取每个节点的二阶H指数值；根据二阶H指数值获取每个节点的节点重要性，进而获取每个节点的节点信息熵；根据节点信息熵获取种子节点集合，种子节点集合即识别出的影响力节点集合。本发明在引入二阶H指数的同时，将节点自身的度也纳入考虑范围，并与节点信息熵相结合，以此对节点的影响力进行衡量，本发明将传统的H指数扩展到了二阶邻域，更广地考虑了网络的拓扑结构，充分考虑了距离节点两步之内的邻居节点对其产生的影响，能够更快速、更精准地识别出影响力节点。

Description

一种基于二阶H指数的影响力节点识别方法和系统
技术领域
本发明属于网络科学领域，具体涉及一种基于二阶H指数的影响力节点识别方法和系统。
背景技术
随着信息技术的飞速发展，社交网络已经成为人们相互沟通、共享信息、分享生活的主要平台。社交网络中影响力最大化问题是指在特定的网络传播模型下，找到一组节点使得这组节点的最终影响力规模最大化，可应用于影响力传播分析、病毒式营销、舆情控制、案件侦破等场景，受到学术研究和应用领域的广泛关注。解决影响力最大化问题的核心是如何快速精准地识别出指定规模且具有影响力的节点。
由于传统的影响力节点识别算法IKS仅考虑了节点的自身属性，并没有考虑多阶邻居节点对其产生的影响，因此在计算节点的影响力时存在准确性不高的问题，H指数是一个混合量化指标，其值由一阶邻居节点的度决定。本发明在传统影响力节点识别算法IKS的基础上，综合考虑节点的一阶邻居节点和二阶邻居节点产生的影响，保留网络的局部拓扑结构，有效提高节点影响力计算的准确性。
发明内容
本发明提出了一种基于二阶H指数的影响力节点识别方法和系统，旨在通过在IKS算法的基础上引入H指数并将其扩展到二阶邻域，综合考虑节点的一阶邻居节点和二阶邻居节点产生的影响，提高节点影响力计算的准确性，能够更快速、更精准地识别影响力节点。
为实现上述目的，本发明提供了如下方案：一种基于二阶H指数的影响力节点识别方法，具体如下：
S1、获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；
S2、基于所述一阶邻居节点度和所述二阶邻居节点度，根据二阶 H指数的概念，获取每个所述节点的二阶H指数值；
S3、基于所述二阶H指数值，获取每个所述节点的节点重要性；
S4、基于所述节点重要性，获取每个所述节点的节点信息熵；
S5、基于所述节点信息熵，获取种子节点集合，所述种子节点集合即识别出的影响力节点集合。
优选的，所述S2中所述二阶H指数的概念是指：若一个所述节点的所述二阶H指数值为k，则在该所述节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有k个。
优选的，所述S3中获取所述节点重要性的计算公式如下：
Figure RE-GDA0003803633870000021
其中，v和j表示所述社交网络中的所述节点，N表示所述社交网络中的节点总数，Imv表示节点v的所述节点重要性，H-index2(v)表示所述节点v的所述二阶H指数值，degreev表示所述节点v的度。
优选的，所述S4中获取所述节点信息熵的计算公式如下：
Figure RE-GDA0003803633870000031
其中，v表示所述社交网络中的所述节点，Entropyv表示节点v的所述节点信息熵，p表示所述节点v的一阶邻居节点，q表示所述节点v的二阶邻居节点，
Figure RE-GDA0003803633870000032
表示所述节点v的一阶邻居节点集合，
Figure RE-GDA0003803633870000033
表示所述节点v的二阶邻居节点集合，Imp表示一阶邻居节点p的所述节点重要性，Imq表示二阶邻居节点q的所述节点重要性。
优选的，所述S5中获取种子节点集合，方法包括：
S5.1、根据k-shell方法对所述社交网络中的所述节点进行分层，获取壳层；
S5.2、基于所述节点信息熵和所述壳层，获取所述种子节点集合。
优选的，所述S5.2中获取所述种子节点集合，方法如下：
S5.2.1、将每个所述壳层内的所述节点按照所述节点的所述节点信息熵的大小进行排序；
S5.2.2、按照所述壳层从高到低的顺序，依次选出所述壳层内所述节点信息熵最大的所述节点作为种子节点；
S5.2.3、基于所述种子节点构成所述种子节点集合。
优选的，所述S5.2.2选出所述种子节点的过程中，若在同一所述壳层内出现了所述节点信息熵相同的所述节点，则从所述节点信息熵相同的所述节点中随机选取一个所述节点作为所述种子节点。
另一方面为实现上述目的，本发明还提供了一种基于二阶H指数的影响力节点识别系统，包括度模块、二阶H指数值模块、节点重要性模块、节点信息熵模块和种子节点集合模块：
所述度模块，用于获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；
所述二阶H指数值模块，用于基于所述一阶邻居节点度和所述二阶邻居节点度，根据二阶H指数的概念，获取每个所述节点的二阶H 指数值；
所述节点重要性模块，用于基于所述二阶H指数值，获取每个所述节点的节点重要性；
所述节点信息熵模块，用于基于所述节点重要性，获取每个所述节点的节点信息熵；
所述种子节点集合模块，用于基于所述节点信息熵，获取种子节点集合，所述种子节点集合即识别出的影响力节点集合。
优选的，所述二阶H指数值模块中的所述二阶H指数的概念是指：若一个所述节点的所述二阶H指数值为k，则在该所述节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有k个。
本发明的有益效果为：提出了一种基于二阶H指数的影响力节点识别方法，通过引入二阶H指数，综合考虑节点的一阶邻居节点和二阶邻居节点产生的影响，同时将节点自身的度也纳入考虑范围，并与节点信息熵结合，提高了节点影响力计算的准确性，同时提高了影响力节点识别的速度和精准度。
本方法具有广阔的推广空间和使用价值。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例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是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一的方法流程图；
图2为本发明实施例一中的网络拓扑图；
图3为本发明实施例一中种子节点之间的平均最短距离随种子节点比例变化的折线图；
图4为本发明实施例三中系统模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明在IKS算法的基础上将节点自身的度、节点的二阶H指数和节点信息熵相结合，得到SHIKS算法，SHIKS算法是一种识别复杂网络中有影响力节点的新方法，本发明使用SHIKS算法对社交网络的影响力节点进行识别。
实施例一：
如图1所示，本发明提供了一种基于二阶H指数的影响力节点识别方法，具体方法如下：
如图2所示，节点v2的一阶邻居节点和二阶邻居节点的集合为
Figure RE-GDA0003803633870000061
集合
Figure RE-GDA0003803633870000062
中每一个节点的度为
Figure RE-GDA0003803633870000063
根据节点二阶H指数的概念，即若一个节点的二阶H指数值为k，则在该节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有 k个，在
Figure RE-GDA0003803633870000064
中有三个节点的度大于等于3，因此节点v2的二阶H指数值为3，即H-index2(v2)＝3。
根据获得的二阶H指数值，计算每个节点的节点重要性，计算公式如下：
Figure RE-GDA0003803633870000065
其中，v和j表示社交网络中的节点，N表示社交网络中的节点总数，Imv表示节点v的节点重要性，H-index2(v)表示节点v的二阶H 指数值，degreev表示所述节点v的度。
以图2为例，则N＝19，节点v2的节点重要性为：
Figure RE-GDA0003803633870000066
根据获得的节点重要性，计算每个节点的节点信息熵，计算公式如下：
Figure RE-GDA0003803633870000071
其中，v表示社交网络中的节点，Entropyv表示节点v的节点信息熵，p表示节点v的一阶邻居节点，q表示节点v的二阶邻居节点，
Figure RE-GDA0003803633870000072
表示节点v的一阶邻居节点集合，
Figure RE-GDA0003803633870000073
表示节点v的二阶邻居节点集合， Imp表示一阶邻居节点p的节点重要性，Imq表示二阶邻居节点q的节点重要性。
节点v2的节点信息熵为：
Figure RE-GDA0003803633870000074
根据获得的节点信息熵，获取种子节点集合，具体方法如下：
利用k-shell方法将图2中网络的节点进行分层，一共可以分为 2层，节点v1、v3、v4、v5、v6、v7、v8、v9、v12、v13、v14、v15、v16、 v17、v18和v19被划分到壳层1-shell内，节点v2、v10和v11被划分到壳层2-shell内。
划分结束后，在每一个壳层内按照节点信息熵由大到小的顺序进行排序，每一个节点的节点信息熵在1-shell和2-shell中划分的结果如表1所示：
表1
Figure RE-GDA0003803633870000081
挑选种子节点时，从2-shell开始，选择当前shell内节点信息熵最大的节点作为种子节点；从表1中可知，2-shell内节点信息熵最大的节点是v10，因此将节点v10作为种子节点，2-shell选择结束后到1-shell内选取节点信息熵最大的节点，由表1可知，1-shell内节点信息熵最大的节点是v13，因此将节点v13作为种子节点。
此时已经遍历到最低的shell，但还未选择足够多的种子节点，此时需要回到最高的shell中继续选取节点；由于2-shell中的v10已经被选走，因此选取节点信息熵仅次于v10的v11，将v11作为种子节点，此时种子节点数量已达到要求，终止选取种子节点的操作，最终选取出的种子节点组合成种子节点集合。
通过获得的种子节点集合，识别出网络中的影响力节点。
为了更真实地评估SHIKS算法的性能和准确性，本发明使用不同规模、不同特性的12个基准的真实网络数据集，分别为Jazz、USAir97、 Email、Celegansneural、Hamster、Polblogs、Power、Router、Yeast、 Facebook、CEnew和USAir2010。
本发明采用SIR模型对七种影响力节点识别算法进行传播规模对比实验，七种影响力节点识别算法分别为：DC、CC、BC、PageRank、 IKS、MCDE、ECRM。
本发明采用每时刻感染量F(t)、最终感染量F(tc)和种子节点之间的平均最短距离Ls作为评估指标，对算法的准确性和有效性进行评估。
在SIR模型中，每个节点有三种状态：感染状态、恢复状态和易感状态。处于感染状态的节点以一定的概率β去感染易感节点，且自身同时会以一定的概率γ恢复为正常状态的节点，在本发明中，恢复率γ设置为0.01。
感染率β的设置非常重要，如果感染率过小，传播效果可能会很差，甚至传播不出去，但如果感染率过大，可能会在整个网络中出现感染爆发的情况，对单个节点的影响力难以区分。因此，本发明中设置感染率β略大于传输率λc：
Figure RE-GDA0003803633870000091
其中<k>表示网络的平均度，<k2>表示网络中节点度的平方和的平均值。
12个真实网络实用的感染率β与传输率λc如表2所示：
表2
Figure RE-GDA0003803633870000101
由于每次进行模拟得到的结果会存在一定的误差，因此本发明将模拟次数设置为2000次，取2000次模拟的平均值作为最终实验结果。
如图3所示，以种子节点之间的平均最短距离Ls为例对最终实验结果进行分析，其中X轴是种子节点比例ρ，取值分别为0.005、0.010、 0.015、0.020、0.025、0.030，Y轴为种子节点之间的平均最短距离 Ls。理论上，种子节点之间平均最短距离越大，说明这些节点彼此相距较远，发生重叠效应的概率较低，传播范围更远、更广。从图3中可以看出，在Jazz、Email、Celegansneural、CEnew、USAir97、Hamster、 Polblogs和Yeast网络中，几乎在任何种子节点比例下挖掘出的种子节点，彼此之间均相距较远。在USAir2010网络中，当ρ≤0.11时，SHIKS算法的效果要好于其它算法，当ρ>0.11时，SHIKS算法效果虽仍略有提升，但幅度较小，而中介中心性的效果大幅度提升，当ρ>0.16时，ECRM算法效果超过了SHIKS。而在Facebook网络中，SHIKS 的效果在ρ>0.14时仅略低于PageRank。从整体上来看，本发明提出的SHIKS算法的性能在多数网络中均表现优异。
通过12个真实网络数据集，对七种影响力节点识别算法进行对比实验可以看出，SHIKS算法挖掘出的种子节点在网络中彼此分布较远，且具有更好的传播能力，验证了算法的有效性与准确性。
实施例二：
将本发明技术方案应用于流行病毒传播管控方面，以某感染流行病毒的城市为例，将该城市中每个人都看作一个节点，确诊感染的人员和与确诊感染的人员有过接触的人员，两者对应的两个节点之间产生连线，以此构建出一个病毒传播网络。
首先根据实施例一中二阶H指数的概念，计算出该病毒传播网络中每个节点(每个人)的二阶H指数值，之后将获得的二阶H指数值进一步与对应节点的度相结合，计算出每个节点的节点重要性，再根据该节点重要性与节点信息熵相结合，通过SHIKS算法计算出各个节点的影响力大小并进行排序，最后选择排名靠前的若干个节点记作关键节点(种子节点)。通过对选出的这些关键节点所对应的人员进行针对性管控，以减少病毒的进一步扩散。
实施例三：
如图4所示，本发明提供了一种基于二阶H指数的影响力节点识别系统，包括：度模块、二阶H指数值模块、节点重要性模块、节点信息熵模块和种子节点集合模块。
度模块和二阶H指数值模块连接，度模块获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；
二阶H指数值模块和度模块连接，同时和节点重要性模块连接，二阶H指数值模块根据获得的一阶邻居节点度和二阶邻居节点度，根据二阶H指数的概念，获取每个节点的二阶H指数值；
二阶H指数值模块中的二阶H指数的概念是指：若一个节点的二阶H指数值为k，则在该节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有k个；
节点重要性模块和二阶H指数值模块连接，同时和节点信息熵模块连接，节点重要性模块根据获得的二阶H指数值，获取每个节点的节点重要性；
节点信息熵模块和节点重要性模块连接，同时和种子节点集合模块连接，节点信息熵模块根据获得的节点重要性，获取每个节点的节点信息熵；
种子节点集合模块和节点信息熵模块连接，种子节点集合模块根据获得的节点信息熵，获取种子节点集合，种子节点集合即识别出的影响力节点集合。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于二阶H指数的影响力节点识别方法，其特征在于，包括以下步骤：
S1、获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；
S2、基于所述一阶邻居节点度和所述二阶邻居节点度，根据二阶H指数的概念，获取每个所述节点的二阶H指数值；
S3、基于所述二阶H指数值，获取每个所述节点的节点重要性；
S4、基于所述节点重要性，获取每个所述节点的节点信息熵；
S5、基于所述节点信息熵，获取种子节点集合，所述种子节点集合即识别出的影响力节点集合。
2.根据权利要求1所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S2中所述二阶H指数的概念是指：若一个所述节点的所述二阶H指数值为k，则在该所述节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有k个。
3.根据权利要求1所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S3中获取所述节点重要性的计算公式如下：
Figure FDA0003699507930000011
其中，v和j表示所述社交网络中的所述节点，N表示所述社交网络中的节点总数，Imv表示节点v的所述节点重要性，H-index2(v)表示所述节点v的所述二阶H指数值，degreev表示所述节点v的度。
4.根据权利要求1所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S4中获取所述节点信息熵的计算公式如下：
Figure FDA0003699507930000021
其中，v表示所述社交网络中的所述节点，Entropyv表示节点v的所述节点信息熵，p表示所述节点v的一阶邻居节点，q表示所述节点v的二阶邻居节点，
Figure FDA0003699507930000022
表示所述节点v的一阶邻居节点集合，
Figure FDA0003699507930000023
表示所述节点v的二阶邻居节点集合，Imp表示一阶邻居节点p的所述节点重要性，Imq表示二阶邻居节点q的所述节点重要性。
5.根据权利要求1所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S5中获取种子节点集合，方法包括：
S5.1、根据k-shell方法对所述社交网络中的所述节点进行分层，获取壳层；
S5.2、基于所述节点信息熵和所述壳层，获取所述种子节点集合。
6.根据权利要求5所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S5.2中获取所述种子节点集合，方法如下：
S5.2.1、将每个所述壳层内的所述节点按照所述节点的所述节点信息熵的大小进行排序；
S5.2.2、按照所述壳层从高到低的顺序，依次选出所述壳层内所述节点信息熵最大的所述节点作为种子节点；
S5.2.3、基于所述种子节点构成所述种子节点集合。
7.根据权利要求6所述的一种基于二阶H指数的影响力节点识别方法，其特征在于：
所述S5.2.2选出所述种子节点的过程中，若在同一所述壳层内出现了所述节点信息熵相同的所述节点，则从所述节点信息熵相同的所述节点中随机选取一个所述节点作为所述种子节点。
8.一种基于二阶H指数的影响力节点识别系统，其特征在于，包括度模块、二阶H指数值模块、节点重要性模块、节点信息熵模块和种子节点集合模块：
所述度模块，用于获取社交网络中每个节点的一阶邻居节点度和二阶邻居节点度；
所述二阶H指数值模块，用于基于所述一阶邻居节点度和所述二阶邻居节点度，根据二阶H指数的概念，获取每个所述节点的二阶H指数值；
所述节点重要性模块，用于基于所述二阶H指数值，获取每个所述节点的节点重要性；
所述节点信息熵模块，用于基于所述节点重要性，获取每个所述节点的节点信息熵；
所述种子节点集合模块，用于基于所述节点信息熵，获取种子节点集合，所述种子节点集合即识别出的影响力节点集合。
9.根据权利要求8所述的一种基于二阶H指数的影响力节点识别系统，其特征在于：
所述二阶H指数值模块中的所述二阶H指数的概念是指：若一个所述节点的所述二阶H指数值为k，则在该所述节点的一阶邻居节点和二阶邻居节点中，度为k的节点至少有k个。
CN202210684356.6A 2022-06-17 2022-06-17 一种基于二阶h指数的影响力节点识别方法和系统 Active CN115130044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210684356.6A CN115130044B (zh) 2022-06-17 2022-06-17 一种基于二阶h指数的影响力节点识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210684356.6A CN115130044B (zh) 2022-06-17 2022-06-17 一种基于二阶h指数的影响力节点识别方法和系统

Publications (2)

Publication Number Publication Date
CN115130044A true CN115130044A (zh) 2022-09-30
CN115130044B CN115130044B (zh) 2024-09-27

Family

ID=83377527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210684356.6A Active CN115130044B (zh) 2022-06-17 2022-06-17 一种基于二阶h指数的影响力节点识别方法和系统

Country Status (1)

Country Link
CN (1) CN115130044B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115665082A (zh) * 2022-10-19 2023-01-31 齐鲁工业大学 基于信息熵改进的社交网络关键节点识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368147A (zh) * 2020-02-25 2020-07-03 支付宝(杭州)信息技术有限公司 图特征处理的方法及装置
CN112446634A (zh) * 2020-12-03 2021-03-05 兰州大学 一种社交网络中影响力最大化节点的探测方法及系统
CN113723504A (zh) * 2021-08-28 2021-11-30 重庆理工大学 实现复杂网络中有影响力传播者识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368147A (zh) * 2020-02-25 2020-07-03 支付宝(杭州)信息技术有限公司 图特征处理的方法及装置
CN112446634A (zh) * 2020-12-03 2021-03-05 兰州大学 一种社交网络中影响力最大化节点的探测方法及系统
CN113723504A (zh) * 2021-08-28 2021-11-30 重庆理工大学 实现复杂网络中有影响力传播者识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李秋晖;韩华;马媛媛;曾茜;李巧丽: "基于引力模型及相对路径数的节点重要度评估算法", 《计算机应用研究》, no. 03, 7 December 2021 (2021-12-07) *
邹青;张莹莹;陈一帆;张士庚;段桂华;: "社交网络中一种快速精确的节点影响力排序算法", 计算机工程与科学, no. 12, 15 December 2014 (2014-12-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115665082A (zh) * 2022-10-19 2023-01-31 齐鲁工业大学 基于信息熵改进的社交网络关键节点识别方法及系统

Also Published As

Publication number Publication date
CN115130044B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN109064348B (zh) 一种在社交网络中封锁谣言社区并抑制谣言传播的方法
CN113780436B (zh) 一种基于综合度的复杂网络关键节点识别方法
CN106951524A (zh) 基于节点影响力的重叠社区发现方法
CN107317704A (zh) 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN109766710B (zh) 关联社交网络数据的差分隐私保护方法
CN110909173A (zh) 一种基于标签传播的非重叠社区发现方法
CN112464107B (zh) 一种基于多标签传播的社交网络重叠社区发现方法及装置
Wang et al. Acceptance-aware mobile crowdsourcing worker recruitment in social networks
CN113723503A (zh) 一种复杂网络中有影响力传播者识别方法
CN115130044A (zh) 一种基于二阶h指数的影响力节点识别方法和系统
Luan et al. Identifying influential spreaders in complex networks by considering the impact of the number of shortest paths
CN113723504B (zh) 实现复杂网络中有影响力传播者识别方法
CN113726567B (zh) 复杂网络中有影响力传播者识别方法
CN117876151A (zh) 基于脆弱社团网络动态演化的电力网络故障传播分析方法
Lu et al. Identifying vital nodes in complex networks based on information entropy, minimum dominating set and distance
CN111917589B (zh) 一种电力通信网络资源备份方法及相关装置
CN109948001B (zh) 一种亚线性时间分布式计算围长的最小社区发现方法
Wang et al. Automated allocation of detention rooms based on inverse graph partitioning
CN111464343B (zh) 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统
Garas et al. Selection rules in alliance formation: strategic decisions or abundance of choice?
Yang et al. Influence Maximization in Temporal Social Networks with the Mixed K-Shell Method
CN118297742B (zh) 一种基于复杂网络关键圈的高影响力节点群识别方法
CN109886313A (zh) 一种基于密度峰的动态图聚类方法
Mu et al. A memetic algorithm using local structural information for detecting community structure in complex networks
CN108768718B (zh) 基于mRNA/miRNA节点的二分网络模块识别方法、系统及存储介质

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