复杂网络中节点重要度评估研究
浅议几种复杂网络节点重要度分析的中心性方法
浅议几种复杂网络节点重要度分析的中心性方法作者：张廷萍来源：《价值工程》2016年第14期摘要：网络节点重要度分析是研究和分析复杂网络的一种非常重要的方法。
识别有影响力的节点比较常用的是利用中心性方法解决这个问题。
本文介绍了几种常见的进行网络节点重要度分析的中心性方法，并通过实例对几种中心性方法进行了分析比较。
Abstract： To study and analyze complex networks， identifying influential nodes is a very important methodology. Many centrality measures have been proposed to address this issue. In this paper， centrality measures to identify influential nodes in complex networks are described. Numerical examples show the analysis and comparison of several methods to identify influential nodes.关键词：复杂网络；重要节点；中心性方法Key words： complex networks；identify influential nodes；centrality measures中图分类号：TN711 文献标识码：A 文章编号：1006-4311（2016）14-0209-020 引言当前，从疾病传播网络到全球医疗诊断网络，从电力网到交通网络，从交际网络到社会关系网络，复杂网络已经渗透到人类社会生活，给我们带来了极大的便利，但是，同时也产生了诸如交通瘫痪、谣言快速传播等不容忽视的负面冲击。
因此，对复杂网络进行深入的研究和分析以方便对其负面影响进行预测、避免和控制是刻不容缓的。
电力系统网络节点关键性分析与评估
电力系统网络节点关键性分析与评估随着电力系统的不断发展，伴随而来的是电网的规模越来越大，系统的复杂程度不断加深。
因此，如何保证电力系统的稳定运行成为了一道重要的难题。
而电力系统网络节点关键性分析与评估的研究，就是为了解决这一问题而诞生的。
一、电力系统网络节点关键性分析电力系统由众多各具特色的节点构成。
这些节点之间的线路连接在一起，通过彼此之间的电能传递实现电力系统的功率传输。
因此，节点对电力系统的运行起着至关重要的作用。
通过对电力系统网络节点关键性分析，我们可以找到电力系统中最重要的节点来保证其稳定运行。
在进行电力系统网络节点关键性分析前，我们需要明确一个概念：节点重要度。
节点重要度是指电力系统网络中各节点在整个网络中所占的比例。
正是因为节点重要度（Node Importance）是衡量节点重要性的指标，因此这种方法被广泛应用于电力系统网络的关键性分析。
电力系统节点重要度的计算方法主要包括两种：第一种是基于电力系统功率流的算法。
这种算法利用电力系统各节点之间的电能传递进行分析，得到电力系统中节点的贡献率，从而评估其在整个电力系统中所占的比例；第二种是基于复杂网络理论的算法。
这种算法借鉴网络科学的思想，将电力系统看成一个复杂网络，然后通过分析网络节点之间的联系和依存程度，得出节点重要度。
二、电力系统网络节点关键性评估电力系统网络节点关键性评估是指通过对电力系统内各节点进行分类评估，找到其中最为关键的节点，在保证其安全稳定运行的前提下降低系统运行成本的方法。
电力系统网络节点关键性评估的方法主要包括两种：第一种是基于传统的安全评估数据的方法，即根据各项指标的数据进行计算，以此决定整个系统的关键性。
第二种是基于智能算法的方法。
这种方法利用数据挖掘和人工智能的技术，将系统的各项参数进行复杂的统计和分析，从而确定系统中最为关键的节点，并给出保证系统安全运行的最优方案。
不同的电力系统节点关键性评估方法存在着不同的优缺点和适用场景。
复杂网络中的节点中心性度量与分析
复杂网络中的节点中心性度量与分析在复杂网络中，节点的中心性度量和分析是一项关键任务，它可以帮助我们理解网络的结构、功能和影响力分布。
中心性度量通常用来衡量节点在网络中的重要性和影响力，以及它们在信息传播、交流和决策中的作用。
一种常用的中心性度量是度中心性，它是指节点与其他节点之间的连接数量。
在无向网络中，节点的度中心性仅仅是连接到该节点的边的数量。
而在有向网络中，节点的度中心性包括连接到该节点和从该节点出发的边的数量。
具有高度中心性的节点通常是网络中连接较多的节点，因此它们在信息流动和传播中扮演重要角色。
另一种中心性度量是接近中心性。
接近中心性衡量了节点与其他节点之间的距离，即节点到其他节点的平均最短路径长度。
节点的接近中心性越高，表示它在网络中更容易跟其他节点保持紧密联系。
接近中心性常被用于测量节点在信息传递和扩散中的速度和效率，以及节点在网络中的凝聚性。
具有高接近中心性的节点通常是在信息传播中起关键作用的中转站。
介数中心性是另一种常见的中心性度量。
它衡量了网络中节点在所有最短路径中出现的频率。
节点的介数中心性越高，说明它在网络中扮演着重要的桥梁或者关键节点的角色。
具有高介数中心性的节点在信息传递和交流中具有重要作用，它们有助于信息在网络中的快速传播。
除了以上几种常用的中心性度量，还有一些其他衡量节点重要性和影响力的指标，例如特征向量中心性、总度中心性和PageRank等。
特征向量中心性基于节点的连接和连接的重要程度，它可以衡量节点的影响力。
总度中心性将节点的度中心性与节点的邻居的中心性加权求和，可以更全面地衡量节点的重要性。
PageRank是一种基于随机游走理论的中心性度量，它通过考虑节点之间的连接结构和连接强度来评估节点的影响力。
中心性分析对于理解复杂网络的结构和功能至关重要。
它可以揭示出网络中的关键节点和影响力分布，有助于我们预测和模拟网络的行为和性质。
通过对节点中心性的测量和分析，我们可以识别出网络中最重要的节点，从而优化网络设计、提高信息传播的效率以及更好地管理和控制网络。
网络中节点重要性评价
社会网络分析
3.计算 用gst,i 表示节点对s和 t最短路径经过i点的路径 n s t 数，nst表示节点s和节点t之间存在所有最短路 径的路径数，则节点i的中间中心度：
复杂网络
网络流中心性（Flow Centrality) 1.定义 是按照节点在网络流中起到的作用来衡量节点 的重要性，他只强调节点的参与程度，而不要 求一定是最优化，因此他只是中间中心性方法 的一种推广，把节点对其他非最短路策略下的 参与也计算在内。
复杂网络
节点融合法（节点收缩法）
将节点的平均路径和节点个数乘积的倒数定义 为网络凝聚度，用每个节点融合后的网络凝聚 度来评价节点重要性。网络凝聚度越大，重要 性越高。
复杂网络
节点孤立法
当某个节点在被破坏或是失效时，该节点无法 与其他节点连通，但是不能像其他节点融合法 或是节点删除法那样，忽略它对网络的影响。 因为其他节点仍然尝试与该节点连通，会增加 一定的网络负担，使得网络通信的总路径增加。
复杂网络
复杂网络是近几年科学研究发现的一种介于规 则网络和随机网络之间的一种更接近于真实网 络的一种网络模型。 复杂网络最典型的特征是小世界现象和无标度 特征。小世界现象说明了规模很大的网络的任 意两个节点之间存在最短路径；无标度特征则 揭示了真实网络的结构符合幂率分布的事实。
复杂网络
引文网络是复杂网络 复杂网络中许多发现重要节点的方法可 以用到引文网络中发现重要文献
复杂网络
随机行走中心性（Random Walk Centrality） 1.定义 随机行走模型的提出基于一个多数网络的事实， 网络节点对网络的整体特性是未知的，这样就 使得对整体网络选择最优不可能
复杂网络
2.计算
(a)构建关系矩阵L=D-A．其中，A为目标网络 的邻接矩阵，D为节点度组成的对角矩阵． (b)变换矩阵，把L矩阵去掉最后一行和最后一 列，变成可逆矩阵． (c)求L矩阵的逆矩阵L-1。，在L 基础上添加元 素全为0的一行一列，构成新矩阵T
大型复杂网络中的关键节点识别和控制问题研究
大型复杂网络中的关键节点识别和控制问题研究复杂网络是指由大量节点和边组成的复杂系统，在生物学、社会学、通信工程、交通领域、能源领域等多个领域中都有广泛的应用。
复杂网络中存在着许多关键节点，其在网络中扮演着重要的角色，控制着网络的运行和稳定，而研究如何识别和控制这些关键节点对于网络的设计和优化具有重要的意义。
一、关键节点的识别方法关键节点是指在网络中，其对网络结构和性能的影响最大的节点。
一些常见的关键节点识别方法包括：1. 度中心性：度中心性是指一个节点在网络中与其他节点相连的数量，度越高则代表该节点越为重要。
2. 物理中心性：物理中心性是指按照节点的重要性对节点进行排序，将这些节点按照物理距离排序，并且计算网络中每个节点到所有节点的距离，最后得出一个物理中心性指标。
3. 介数中心性：介数中心性是指节点在网络中作为中介的能力，即它作为一个桥梁，同时连接多个节点。
可以通过计算节点对网络中的其他节点进行信息传递的次数和时间来衡量一个节点的介数中心性。
4. 特征向量中心性：特征向量中心性是基于一个节点相连的其他节点的性质和权值进行计算的。
如果一个节点连接的其他节点比较重要，那么这个节点的特征向量中心性就比较高。
这些关键节点的识别方法都有其各自的适用范围，可以根据具体的应用场景进行选择。
二、关键节点的控制方法识别到关键节点之后，如何控制它们，以达到控制整个网络的目的呢？这就需要针对不同的关键节点，采用不同的控制方法。
1. 拓扑控制：拓扑控制是通过改变网络拓扑结构来控制关键节点，并提高网络的鲁棒性。
一些典型的拓扑控制方法包括节点删除、增加强化枢纽节点等。
2. 整体控制：整体控制是采用全局控制策略来控制网络中的关键节点，并且这种控制方法可以通过分析网络的结构信息来预测网络可能的行为。
全网控制常用的方法有：中心控制、随机控制、重要度控制等。
3. 网络重构控制：网络重构控制是通过改变网络结构的连接方式，来达到控制网络的目的。
复杂网络中节点重要度的一个评估指标
复杂网络中节点重要度的一个评估指标蒋丰景;陈玥琪【摘要】为了简单而有效地评估网络拓扑结构中各节点重要性，本文基于节点的连接度和局部连通性，定义了一个节点重要度函数。
该重要度函数指标实质上与网络中的平均最短距离指标是一致的，通过该重要度函数指标值的大小可以得到网络中各节点的重要度排序。
理论分析与实例表明，对于小型网络，该方法的计算比较简单，且直观、有效、合理。
%To simply and effectively evaluate the importance of each node in network topology structure ,a node importance function based on the node connectivity degree and local connectivity is defined .The in-dex of the node importance function is substantially consistent with the index of the average shortest path in networks ,the importance of each node in the network can be sorted by the size of the index val-ue .For small networks ,it is relatively simple in calculation ,the method is vertified more intuitive ,effec-tive and reasonable by theoretical analysis and practical examples .【期刊名称】《西安工程大学学报》【年(卷),期】2014(000)001【总页数】3页(P140-142)【关键词】节点重要度;邻居节点;节点删除;平均最短距离【作者】蒋丰景;陈玥琪【作者单位】西安电子科技大学理学院，陕西西安 710071;西安电子科技大学理学院，陕西西安 710071【正文语种】中文【中图分类】C934随着信息技术飞速发展，互联网已成为社会舆论传播的主要载体之一，无论是现实生活还是系统科学，都与网络密切相关.特别是很多实际网络所抽象出来的复杂网络，表现出了与以往网络理论不同的特性［1］，如小世界特性、无尺度特性等.如何在复杂网络环境下，保证网络的可靠性和抗毁性［2］成为复杂网络研究的重要课题.研究表明，在选择性打击下，即优先攻击网络中“核心节点”，无标度网络异常脆弱，网络基本处于瘫痪状态.因此，找出网络中的“核心节点”并将它们保护起来对维持整个网络的可靠性具有重要作用;同时，“核心节点”的保障和维护对实现网络信息流通和降低网络信息交换成本，提高信息流通效率有重要意义.网络节点的重要度指标的度量方法有节点的度、接近度、介数、信息、特征向量和累计提名等.其中最简单的方法是以节点的度作为节点重要性的衡量标准，认为节点的度越大则该节点越重要，但一个节点的度仅仅描述了该节点对于其他节点的直接影响力，因此有很大的片面性;文献［3］提出了一种基于生成树数目的节点删除法，如果多个节点的删除都使得网络不连通，那么这些节点的重要度将是一致的，从而使得评估不精确;文献［4］提出的介数能很好地衡量节点重要度，但计算节点的介数非常复杂，不仅要计算各个节点对之间的最短路径长度，还要记录这些最短路径的路线.本文利用网络的连通性来反映系统某种功能的完整性，通过度量节点删除对网络连通的破坏程度来反映网络节点(集)的重要性，即“破坏性等价于重要性”.从这种思想出发构造了一个和平均最短路径指标具有等价性的节点重要度函数指标I(vi)，利用该函数可以有效地判定网络中各节点重要程度的大小，并且无需复杂的计算，实例计算也验证了该方法的合理性.本文所研究的复杂网络均为无向、无权、无重边网络，用图G=(V，E)表示，其中V={v1，v2，…，vn}表示网络G中节点的集合，E={e1，e2，…，em}为G中边的集合.定义1节点vi的度是指与它相关联的边的条数，记为ki.定义2节点vi的邻居节点是指与vi直接有边相连的那些节点，这些节点的集合构成vi的邻居节点集.定义3把vi和vj之间跳数最少的路径称为它们的最短路径，显然，vi和vj之间的最短路径可能不止一条.定义4定义为网络的平均最短距离，其中表达式中的dij为节点i和j之间的最短路径长度.定义5定义li为删除节点vi后，网络中vi的邻居节点集中保持连通的节点对数目.根据网络中节点与边的关系，有li为介于0与ki(ki-1)/2的正整数.当li比较大时，表明删除节点vi后，网络的连通性仍然很好，即节点vi自身的重要性相对比较小，这个指标可以有效地反映节点的局部连通情况，因此可以用它来考虑网络中节点的重要性.定义6称I(vi)=［ki(ki-1)］/［2(li+1)］为节点vi的重要度函数，考虑到叶子节点的li为0的情况，定义分母为li+1.该指标从节点自身的连接度和节点的局部连通性考虑了节点的重要性.同等条件下，连接度越大的节点收缩以后，网络中节点和边的数目就越少，因此该节点相对越重要.而处于关键位置的节点重要度也相对而言比较高，因为很多节点对之间的最短路径都要经过该节点，该节点收缩后将减少网络的平均最短距离，因此该节点比较重要.网络节点之间进行通信的路径首选最短路径，如果某个节点被许多最短路径经过，则表明该节点在整个网络中的作用和影响力是比较大的.因此，把网络中平均最短路径作为节点重要性指标是比较合理的，但是它的计算式比较复杂，因为不仅要计算出每个节点对之间的最短路径长度，并且还要记录这些最短路径.下面分析说明本文定义的节点重要度函数指标与网络中平均最短路径指标具有一致性，只是放大的显著性程度有所差别.当节点vi被删除或者收缩后网络中平均最短路径变化情况如下：如果节点vi不在最短路径上，则一部分节点的最短路径不经过vi.因此，当节点vi 被删除或者收缩后对这些节点的最短路径无影响，从而对整个网络的平均最短路径也没有影响.如果节点间的最短路径经过vi，则删除节点vi后这些节点间的最短路径将会发生变化.假设被删除节点的li比较小，即节点vi的邻居节点的连通性比较差，则最短路径中经过vi的邻居节点的概率比较小.相对而言，经过vi的最短路径的概率就比较大，这与li减小，I(vi)增大是一致的.因此，节点的I(vi)越大，表明删除节点vi后，通过vi的最大路径变大，从而网络的平均最短路径变大.也就是，节点vi的I(vi)越大，删除vi后网络的平均最短距离变大.因此，本文定义的节点重要度函数指标与网络中平均最短路径指标具有一致性.设某网络的拓扑结构如图1，用文献［3］与文献［5］得到节点4与节点6的重要度是一样的，使用本文的方法有：节点4的度k4=4，l4为删除节点4后，节点4的邻居节点中保持连通的节点对数目，显然l4=1，因此I(v4)=3.同样很容易计算l(v6)=6.因此节点4的重要性程度比节点6要小.从直观上也可以发现，当删除节点4，节点1，2，3的连通性比删除节点6后节点7，8，9的连通性要好，因此，节点4的重要性比节点6的重要性要小.由表1知，本文使用节点重要度函数指标得到的节点重要度排序结果与文献［7］中的方法得到的节点重要度排序结果是一致的，并且与实际结果是一致的.但是对于小型网络，本文中计算节点重要度的方法更为简单.此外，若通过文献［3］的方法，即考虑删除节点后网络的生成树变化数目的变化情况，则节点4～7的重要度是一样的.然而从直观上看，网络中这几个节点的重要度是有差别的.因此本文的方法是合理有效的.评估网络中的节点重要性一直是社会网络分析领域和系统科学研究领域的一个热点，本文基于“破坏性等价于重要性”这一思想，构造了一个节点重要度函数，从而使这一思想得到了精细的量化.对于小型网络，该方法避免了复杂的计算，实例分析也验证了该方法的合理性、有效性和优越性.【相关文献】［1］汪小帆，李翔，陈光荣.复杂网络理论及其应用［M］.北京：清华大学出版社，2006.［2］饶育萍.林竞焉，月东方.网络抗毁度和节点重要性评价方法［J］.计算机工程，2009，35(6)：14-16.［3］陈勇，胡爱群.通信网络中最重要节点确定方法［J］.高技术通讯，2004(1)：573-575.［4］FREEMAN L C.A set of measures of centrality based upon betweenness［J］.Sociometry，1977，40(1)：35-41.［5］谭跃进，吴俊，邓宏钟.复杂网络中节点重要度评估的节点收缩方法［J］.系统工程理论与实践，2006，26(11)：78-83.［6］陈勇，胡爱群，胡啸.通信网中节点重要性的评价方法［J］.通信学报，2004，25(8)：129-134.［7］陈静，孙林夫.复杂网络中节点重要度评估［J］.西南交通大学学报，2009，44(3)：426-429. ［8］孙睿，罗万伯.网络舆论中节点重要性评估方案综述［J］.计算机应用研究，2012，29(10)：3 606-3 608.［8］叶春森，汪传雷，刘宏伟.节点重要度评价方法研究［J］.统计与决策，2010(1)：22-24. ［9］李鹏翔，任玉晴，席酉民.网络节点(集)重要性的一种度量指标［J］.系统工程，2004，22(4)：13-20.。
复杂网络数据分析与预测研究
复杂网络数据分析与预测研究复杂网络数据分析与预测研究随着互联网的发展，人们的生活和工作方式已经发生了翻天覆地的变化。
互联网的普及和数据的快速增长，为复杂网络数据分析和预测研究提供了更加广阔的空间。
复杂网络数据分析和预测研究是一门新兴的科学，它将计算机科学、统计学、数学和物理学等多个学科相结合，用于研究复杂系统中的数据分析和预测问题。
复杂网络是指由大量节点和边组成的网络，它们之间的关系非常复杂和多样化。
复杂网络数据分析和预测研究的目标是通过对复杂网络的分析和建模，揭示网络中隐藏的规律和特征，进而对网络未来发展趋势进行预测和控制。
复杂网络数据分析和预测研究的方法包括社区发现、节点重要性评估、网络结构分析、动态演化模型等。
其中，社区发现是指将网络中相互关联且密集连接的节点聚类成一个社区，以揭示网络中的群体结构和功能模块；节点重要性评估是指通过计算节点在网络中的度、介数、接近度等指标，评估节点在网络中的重要性；网络结构分析是指通过对网络拓扑结构进行分析，揭示网络中的特征和规律；动态演化模型是指通过对网络动态演化过程进行建模，预测网络未来的发展趋势。
复杂网络数据分析和预测研究在许多领域都有广泛的应用，如社交网络、金融风险管理、医疗健康、交通运输等。
在社交网络中，复杂网络数据分析和预测研究可以用于发现社交网络中的社区结构、预测用户行为和趋势等；在金融风险管理中，复杂网络数据分析和预测研究可以用于评估金融系统中的风险，发现金融市场中的异常波动等；在医疗健康领域中，复杂网络数据分析和预测研究可以用于对疾病传播进行建模和预测；在交通运输领域中，复杂网络数据分析和预测研究可以用于交通拥堵预测、路网优化等。
总之，复杂网络数据分析和预测研究是一门具有广泛应用前景的新兴学科，它将对我们理解复杂系统中的规律和特征、掌握未来发展趋势、优化决策等方面产生重要影响。
网络中心节点的重要性度量方法
网络中心节点的重要性度量方法在网络中，中心节点是连接其他节点的重要枢纽，其在网络结构和功能上都具有重要的作用。
如何准确地量化中心节点的重要性是网络分析和数据挖掘领域的热门问题之一。
本文将介绍一些常见的网络中心节点的重要性度量方法。
一、度中心性（Degree Centrality）度中心性是最基础的网络中心节点的重要性度量方法之一，它以节点度数为基础，直接计算节点在网络中的重要性。
具有高度中心性质的节点往往连接着大量其他节点，如社交网络中的明星用户。
因此，度中心性可以用来评估节点在网络中的影响力和覆盖范围。
其计算方式如下：$C_D(v)=\frac{deg(v)}{N-1}$其中，$C_D(v)$表示节点$v$的度中心性，$deg(v)$表示节点$v$的度数，$N$表示网络中节点的数量。
二、接近度中心性（Closeness Centrality）接近度中心性是一种连接最短路径长度的网络中心节点的重要性度量方法。
该方法用节点到其他节点的最短路径长度之和表示其接近度，值越大表示节点距离其他节点越近。
具有高接近度中心性的节点可以更快地传递信息和影响其他节点，因此在物流配送和交通运输等领域有很多应用。
其计算方式如下：$C_C(v)=\frac{1}{\sum_{i \neq v}d(i,v)}$其中，$C_C(v)$表示节点$v$的接近度中心性，$d(i, v)$表示节点$i$到节点$v$的最短路径长度。
三、介数中心性（Betweenness Centrality）介数中心性是一种基于节点在其他节点间最短路径上出现次数的网络中心节点的重要性度量方法。
该方法考虑了节点在网络中的位置和连接方式，可以分析节点在信息的传播和威胁扩散中的作用。
高介数中心性的节点在网络中充当了桥梁或关键路径的角色，有助于信息扩散和传输。
其计算方式如下：$C_B(v)=\sum_{s \neq v \neq t \in V}\frac{\sigma_{st}(v)}{\sigma_{st}}$其中，$C_B(v)$表示节点$v$的介数中心性，$\sigma_{st}$表示节点$s$到节点$t$的最短路径数量，$\sigma_{st}(v)$表示节点$s$到节点$t$的最短路径经过节点$v$的数量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
复杂网络中节点重要度评估研究
复杂网络在各领域中的发展和应用,不仅改善了人类的生活质量也促进了社会生产率的提高。
但是,复杂网络也对社会生活产生了一定的负面影响,如传染病的迅速传播,交通运输网络的拥堵,航班航线的延误,城市电力网络的崩溃等。
因此,为了对复杂网络系统进行有效地预测和控制,需要对复杂网络系统进行深入细致地分析和研究,识别和评估影响网络结构和功能的重要节点。
本文针对复杂网络系统的脆弱性问题,利用复杂网络节点蕴含的局部信息和全局信息,提出四种中心性算法,实现对复杂网络节点重要度的评估,主要研究内容及创新点如下:(1)利用复杂网络的局部信息,提出基于网络扩散机制的节点重要度评估算法。
网络中节点影响的扩散机制是指信息流在网络的传播过程中,一个节点对其他节点的影响只影响给该节点的最近邻居节点或者是该节点下一个最近邻居节点。
基于该机制,本文提出扩散中心性算法识别和评估网络中的重要节点。
该算法主要考察了节点本身的局部信息的影响以及距离节点第二层的邻居的邻居节点信息的影响来评价节点的重要性。
利用SI疾病传播模型对算法进行评价,通过在真实网络中的实验比较分析,验证了网络扩散中心性算法的有效性。
(2)利用复杂网络的全局信息,提出基于网络全局效率和随机游走机制的节点重要度评估算法。
1)基于网络全局效率原理,提出网络全局效率中心性算法。
该算法与传统中心性的不同之处在于更注重网络的动力学过程及网络的全局结构信息,是通过对网络边的消除来定义网络的效率,而不是移除网络的节点。
利用SI疾病传播模型对算法进行评价,通过在真实网络中的实验比较分析,验证了网络全局效率中心性算法的有效性。
2)基于网络随机游走原理,提出吸收中心性算法。
考虑信息流在网络中随机游走的全局拓扑结构,该算法利用网络节点到达吸收节点的时间来衡量网络中节点的重要度。
利用SI疾病传播模型对算法进行评价,通过在真实网络中的实验比较分析,验证了吸收中心性算法的有效性。
(3)利用复杂网络的局部和全局信息,提出基于中心性融合的节点重要度评估算法。
不同的中心性算法在网络节点重要度评估方面都存在着一定的局限性,采用不同中心性算法也会产生不同的节点重要度排序结果。
为了解决这一问题,结合几种利用复杂网络的局部信息、全局信息设计的中心性算法,提出多中心性融合算法来进行节点重要度评估,该算法可以弱化中心性算法之间的差异和不足。
利用SI疾病传播模型对算法进行评价,通过在真实网络中的实验比较分析,验证了融合中心性的有效性。