基于Transformer的节点影响力排序模型

节点影响力排序是复杂网络的一个重点话题,对识别关键节点和衡量节点影响力有着重要作用。目前,已有诸多研究基于复杂网络探索节点影响力,其中深度学习显示出了巨大的潜力。然而,现有卷积神经网络(CNNs)和图神经网络(GNNs)模型的输入往往基于固定维度特征,且不能有效地区分邻居节点,无法适应多样性的复杂网络。为了解决上述问题,文中提出了一种简单且有效的节点影响力排序模型。该模型中,节点的输入序列包含节点本身及其邻居节点的信息,且可以根据网络动态调整输入序列长度,确保模型获取到足量的节点信息。同时该模型利用自注意力机制,使节点可以有效地聚合输入序列中邻居节点的信息,从而全面地识别节点的影响力。在12个真实网络数据集上进行实验,通过多维度的评价标准验证了该模型相比7种已有方法的有效性。实验结果表明,在不同的网络结构中,该模型均能有效地识别网络中节点的影响力。     

基于节点亲密度的重要性评估算法

识别复杂网络中的重要节点一直是社会网络分析和挖掘领域的热点问题,有助于理解有影响力的传播者在信息扩散和传染病传播中的作用。现有的节点重要性算法充分考虑了邻居信息,但忽略了邻居节点与节点之间的结构信息。针对此问题,考虑到不同结构下邻居节点对节点的影响力不同,提出了一种综合考虑节点的邻居数量和节点与邻居间亲密程度的节点重要性评估算法,其同时体现了节点的度属性和“亲密”属性。该算法利用相似性指标来测量节点间的亲密程度,以肯德尔相关系数为节点排序的准确度评价指标。在多个经典的实际网络上利用SIR(易感-感染-免疫)模型对传播过程进行仿真,结果表明,与度指标、接近中心性指标、介数中心性指标与K-shell指标相比,KI指标可以更精确地对节点传播影响力进行排序。     

一种基于邻居结构的影响传播模型

现有关于社交网络结构影响问题的研究多聚焦于用户与其邻居之间的相互影响，然而在若干邻居不同关联关系所形成的拓扑结构之间也会产生影响，即结构影响。对结构影响问题进行研究，构建基于邻居结构的影响传播模型NS-IC。根据独立传播模型思想计算不同邻居结构的影响概率作为模型参数，并通过期望最大化算法进行学习。在微博数据集上的实验结果表明，NS-IC模型预测的均方误差、精度和准确率均优于StructInf-Basic方法，同时表明高概率的影响结构能够显著改善用户转发行为的预测效果。     

基于社团结构的节点的影响力分析*

复杂网络中最具影响力节点的识别对网络动力学如加速信息的扩散或抑制流言的传播都具有重要影响意义。为了给节点影响力做出具体排序,在已有的各种最具影响力节点识别方法的基础上,提出了一种基于社团结构和k-shell节点法的节点影响力识别方法,基本思想为利用某个节点处于不同社团的邻居节点的ks值判断节点影响力（称为Nc值）——识别ks值相同的节点的不同影响力。并通过单感染源传染的SIR模型进行仿真,发现Nc值较高的节点不仅最终节点的影响范围较大,传播速度也快于其他节点。     

一个有效的动态网络节点影响力模型

网络节点影响力度量对社会网络研究具有重要的价值,静态网络的影响力度量是目前研究的主要问题。然后社会网络的结构经常会随着时间变化,呈现出动态网络。静态网络节点影响力度量模型虽然可以对动态网络不同时间点上的快照进行度量,然后这种机制很难刻画动态网络节点影响力的变化过程。本文将动态网络建模为不同时间点网络的叠加快照,然后构建了动态网络边权重衰减和节点影响力衰减机制,基于衰减机制提出了动态网络节点影响力模型,模型可以应用于加权或无权动态网络节点影响力度量。为了客观衡量本文模型的性能,在一个模拟网络和三个真实网络进行了不同实验。在模拟网络上,将结果与人工标注的结果计算肯德尔系数,针对三个真实网络则进行了不同角度的影响力效果分析。实验结果表明本文模型不仅可以较好的刻画动态网络节点影响力的变化过程,还可以准确度量动态网络节点影响力。     

基于网络表示学习的论文影响力预测算法

基于图的随机游走算法在预测论文影响力时,仅利用学术网络的全局结构信息而未考虑局部结构信息,对预测准确率造成影响。针对该问题,提出一种基于异构学术网络表示学习和多变量随机游走的论文影响力预测算法。通过构建异构学术网络表示模型,将网络中的论文、作者和期刊/会议等不同类型的节点表征到同一个低维向量空间中,同时保留网络的局部结构信息,将节点的向量相似度应用于多变量随机游走方法,实现对论文影响力的准确预测。在AMiner网站公开数据集上的实验结果表明,相比于PageRank、FutureRank等算法,该算法的预测准确性较高。     

融合多元影响力节点识别指标MPR的链接预测

多元网络通常是指节点之间存在多种维度链接关系的图结构.多元网络链接预测算法在构建相似度指标时,多数仅考虑单一维度网络的拓扑结构属性,未挖掘不同维度子网络之间存在的关联,影响链接预测的效果.针对该问题,提出一种基于多元全局节点影响力识别指标MPR的多元网络链接预测算法.通过定义一个多维度节点影响力排序指标MPR,度量多元网络空间中影响力较大的节点,并把影响力排名函数转化为潜在节点对之间的相似度得分,从而应用到多元网络链接预测场景中.在2个真实多元网络数据集上的实验结果表明,该算法的预测效果优于PR、EDC、ANC等对比算法,且具有较好的稳定性.     

基于K-shell分解与邻居节点度去噪的链路预测方法

链路预测是研究复杂网络结构和演化机制的重要工具,提高链路预测的精度具有重要价值。针对传统的基于网络拓扑结构相似性算法预测精度偏低的问题,从网络优化去噪的角度进行分析,提出了一种基于K-shell分解与邻居节点度（KSDNN）去噪的链路预测方法。该方法首先从全局的角度通过K-shell分解对复杂网络中所有节点进行重要性排序,然后从局部的角度结合节点邻居节点的度对节点重要性进行综合评判,最后对网络数据进行优化后进行链路预测。通过在四个不同的真实网络进行验证,实验结果表明,所提方法预测精度优于K-shell去噪的方法,且相较于传统算法预测精度平均提升了2%左右。     

基于K阶互信息估计的位置感知网络表征学习

随着网络结构数据持续、快速的增长,各种复杂网络数据分析与应用层出不穷.近年来,网络表征学习已经成为各类网络分析任务的主流方法.网络表征学习的主要目标是依据节点间连接关系,学习高质量的节点表征向量,从而辅助分析下游任务.然而,现有的表征学习方法未考虑节点在网络中的位置信息.为了解决这一问题,提出了一种位置感知网络表征学习模型PMI,该模型通过最大化每个中心节点与各阶邻居之间的互信息,从而将节点的位置信息学入表征向量中.在表征训练过程中,PMI模型激励每个中心节点记住并识别其每阶的邻居节点,从而间接记录其位置信息.在4个不同领域的真实数据集上进行了多标签分类、网络重构、链接预测等多个代表性网络分析任务实验,实验结果表明提出的PMI模型可以学到高质量的节点表征向量,与现有的表征学习模型相比,PMI模型能够在多个下游任务上有较大幅度提升.此外,还设计邻居对齐任务对PMI模型进行进一步的分析,结果表明PMI模型学到的节点表征能够有效识别不同阶的邻居节点并捕获自身的位置信息,从而为各种下游任务生成合理有效的表征.     

基于多头注意力机制的社交网络符号预测

传统符号预测方法缺少处理二阶邻居信息的能力,难以有效提取社交网络用户的低维特征。为了有效融合节点用户邻居信息,提出了一种利用多头注意力机制学习一阶、二阶邻居信息的网络表示学习方法(signed multi-head graph attention network,SMGAT),从而改善社交网络符号预测的效果。首先融合平衡理论和状态理论采样一阶邻居、二阶邻居;然后利用多头注意力机制融合邻居的符号和结构信息,学习节点的低维特征;最后通过逻辑回归分类器实现符号预测。通过在四个真实的符号网络数据集上进行实验,结果证明SMGAT方法能够有效挖掘邻居节点的符号和结构信息,提高社交网络符号预测效果。