基于中介中心性提高复杂网络容量的方法

对于像互联网这样具有无标度特征的网络,节点的重要程度差别很大,少数中枢节点成为制约网络容量的瓶颈.引入中介中心性对网络拓扑进行优化和拥塞预测,通过理论分析和仿真实验,考察了网络中节点的介数的和、标准差,两点间最短路径长度,最短路径通过的中枢节点的个数等参数与网络容量的关系.最终提出在具有无标度特征的复杂网络中,依据网络中节点的介数以及介数的标准差增加一些捷径路径的方法.该方法简单易行,能有效平衡中枢节点的负载,缓解拥塞状况,提高网络容量.     

基于社区的动态网络节点介数中心度更新算法

随着互联网技术的迅猛发展,社会网络呈现出爆炸增长的趋势,传统的静态网络分析方法越来越难以达到令人满意的效果,于是对网络进行动态分析就成为社会网数据管理领域的一个研究热点。节点介数中心度衡量的是一个节点对图中其他点对最短路径的控制能力,有利于挖掘社会网络中的重要节点。在图结构频繁变化的场合,若每次变化后都重新计算整个图中所有节点的介数中心度,则效率将会很低。针对动态网络中节点介数中心度计算困难的问题,本文提出一种基于社区的节点介数中心度更新算法。通过维护社区与社区、社区与节点的最短距离集合,快速过滤掉那些在网络动态更新中不受影响的点对,从而大大提高节点介数中心度的更新效率。真实数据集和合成数据集上的实验结果表明了论文所提算法的有效性。     

时态图顶点介数中心度计算方法

在社会网络分析中,介数中心度用于衡量顶点对网络结构的贡献大小,是一种广泛使用的顶点重要度衡量指标.该指标主要通过计算经过顶点的最短路径数来表明顶点的重要性.目前研究的介数中心度算法主要聚焦在普通图上,针对时态图的研究工作较少.普通图介数中心度计算方法主要依据Brandes算法设计,Brandes算法有效的关键理论是最短路径的子路径依然是最短路径,即最优子结构特性.然而时态图包含时态信息,时态路径类型多样,并且时态最短路径并不满足此特性,因此普通图介数中心度计算理论与方法不再适用于时态图.鉴于此,定义了严格（时态递增）和非严格（时态非递减）2种时态路径类型,并研究了时态图介数中心度计算理论与方法.提出了一种高效的基于消息传播的2阶段迭代计算框架.第1阶段采用自顶向下的广度优先遍历方式计算时态最短路径;第2阶段采用自底向上的方式计算顶点的后继节点和孩子节点对其介数中心度的贡献值,并设计了基于消息传播机制的迭代累积计算方法.为了提高效率和可扩展性,实现了基于OpenMP(open multiprocessing)框架的多线程并行算法FTBC(fast temporal betweenness...     

基于引力模型及相对路径数的节点重要度评估算法

准确度量复杂网络中节点的重要度对于研究网络结构和功能等方面具有重要的指导意义。现有多数节点重要度评估算法考虑了节点及其邻居节点的相关信息,却忽略了节点间的拓扑结构对节点重要度的影响。针对此问题,提出了基于引力模型及相对路径数的节点重要度评估算法。该算法首先分析了相对最短路径数对节点间信息传播的影响效果,同时考虑到非最短路径及路径距离等因素的影响,然后以三阶范围内邻居节点与中心节点的相互作用力之和定义节点重要度值,最后在六个真实网络中进行仿真实验。实验结果表明,所提算法不仅能有效区分网络中不同节点之间的重要度差异,还能准确度量网络节点的重要度大小。     

网络抗毁度和节点重要性评价方法

针对现有评价模型无法准确评价某些典型网络抗毁度和节点重要性的问题,提出一种基于全网平均等效最短路径数的网络抗毁评价模型,全网平均等效最短路越多,网络的抗毁能力越强。在此基础上,提出一种节点重要性评价方法,如果节点失效后网络抗毁度下降越多,则该节点在网络中的重要性越大。     

基于边权值的网络抗毁性评估方法

根据有权网络中边的权值计算节点的边权值,并依据边的权值计算全网平均最短路径得到节点重要性。通过节点的边权值和节点的重要性,建立一个抗毁度评估方法,计算节点的抗毁度并得到全网的抗毁度。实例证明该方法的有效性。     

一个基于中心度的社团结构发现新算法*

针对GN算法在社团结构发现中时间复杂度高等问题,提出一种基于中心度的GN改进算法（DCGN）。该算法根据节点中心度以及节点之间的最短路径首先确定社团结构中心节点集,然后逐步删除社团结构中心节点之间的最大边介数连边,完成社团结构划分。DCGN算法避免了GN算法边介数计算开销大的问题,算法的时间复杂度约为O(cmn),其中c为常数,n为网络成员数,m为网络连边数。将DCGN和GN算法同时应用到Zachary网络及计算机随机生成网络中并进行了比较。实验结果表明,所提出的DCGN算法在运行效率和效果方面较之GN算     

基于节点重要度的复杂网络可靠性研究

为研究复杂网络的节点重要度及其可靠性,在随机网络、小世界网络和无标度网络模型下,理论分析度值中心性、半局部中心性、介数中心性和PageRank算法在节点重要度评估上的准确性,通过仿真模拟方法,对网络理论模型和实际复杂网络分别进行研究,采用逐步移除节点和重复计算的方式,考察网络最大连通子图和节点移除比例的关系,同时对数值仿真结果进行合理分析。研究结果说明基于网络全局信息的介数中心性和PageRank算法对节点重要度评估的效果更好,同时说明网络的可靠性与网络拓扑结构有关,实际复杂网络一般同时具备多种拓扑特性。     

利用网络表征学习辨识复杂网络节点影响力

发现复杂网络中最具影响力的节点,有助于分析和控制网络中的信息传播,具有重要的理论意义和实用价值.传统的确定节点影响力的方法大多基于网络的邻接矩阵、拓扑结构等,普遍存在数据维度高和数据稀疏的问题,基于网络表征学习,本文提出了一种局部中心性指标来辨识网络中高影响节点(NLC),首先采用DeepWalk算法,把高维网络中的节点映射为一个低维空间的向量表示,并计算局部节点对之间的欧氏距离;接着根据网络的拓扑结构,计算每个节点在信息的传播过程中,对所在局部的影响力大小,用以识别高影响力节点.在八个真实网络中,以SIR和SI传播模型作为评价手段,将NLC算法和度中心性、接近中心性、介数中心性、邻居核中心性、半局部中心性做了对比,结果表明NLC算法具有良好的识别高影响力传播节点的性能.     

基于不重叠路径熵的网络抗毁性评估方法

通过引入熵的概念,提出了基于不重叠路径数的标准稳定熵指标,用于刻画节点间抗毁性随不重叠路径数变化的规律.在此基础上给出了用于全网抗毁性评估的模型.同时指出了评价模型中涉及的节点间不重叠路径数的计算方法.最后通过算例分析以及与最短路径法相比较,论证了基于不重叠路径熵的模型在网络抗毁性评估方面具有更高的准确性与合理性.     

基于介中心性及K-shell的脑网络核心节点评价方法

在对基于核磁共振成像技术重构得到的人脑结构网络的研究中,核心节点的识别是对全脑网络特性展开研究的基础,具有重要意义。给出了一种基于K-shell和介中心性的核心节点评价方法,首先使用以节点局部重要性为标准的度中心性、邻近中心性和介中心性三个中心性评价方法分别对人脑结构网络中的节点重要性展开评估和分析;接着利用以节点全局地位为标准的K-shell分解法对人脑结构网络的核心节点展开分析。实验结果显示,由于同时兼顾了脑网络节点的整体特性和局部特性,该方法能够更全面和准确地识别核心脑区节点。     

基于多属性综合评价的食品安全标准引用网络重要节点发现方法

针对如何利用食品安全标准引用网络来从众多的食品安全国家标准中找到对食品安全检验、检测影响较大的关键标准，提出了一种基于多属性综合评价的食品安全标准引用网络重要节点发现方法。首先，利用社交网络分析中的度中心性、紧密度中心性、介数中心性以及Web页面重要度评价算法PageRank，分别对标准节点的重要性进行评价；然后，使用层次分析法（AHP）计算各个评价指标在重要性评价中的权重，通过基于逼近理想解排序法（TOPSIS）的多属性决策方法综合评价标准节点的重要性并寻找到重要节点；其次，将基于综合评价得到的重要节点与基于度的评价得到的重要节点分别从各自的引用网络中删除，并检验重要节点删除后引用网络的连通性，连通性越差，说明节点越重要；最后，使用Louvain社区发现算法检验网络的连通性，即对网络节点进行社区发现，没有被划入社区的节点越多，说明网络的连通性越差。实验结果表明，相较于基于度的评价方法，基于多属性的综合评价方法发现的重要节点被删除后不能划入社区的节点更多，证明后者能更好地发现引用网络中的重要节点。可见所提方法有助于标准制定者在修改、更新标准时，快速把握核心内容与关键节点，对食品安全国家标准的体系构建起到指导作用。     

基于排序学习的复杂网络节点接近中心性近似排序

随着网络规模的增大,节点接近中心性的精确算法效率越来越低.本文提出一种基于RankNet排序学习算法的模型以快速逼近复杂网络节点接近中心性排序.首先通过相关性分析得到与接近中心性呈正相关的节点重要度指标作为模型的输入特征,然后在给定网络中随机选取节点子集用于模型的训练样本数据.在一个真实航空网络数据集和典型的复杂网络模型上对提出的模型进行了验证,实验结果表明基于RankNet排序学习算法的模型能够在一定程度上降低计算时间复杂度,而且保持了较高的近似准确性,所提出的模型排序效果明显优于采用回归学习的基准模型.     

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。     

Road network structure and ride-sharing accessibility: A network science perspective

The prosperity of ride-sharing services has rippled in the communities of GIScience, transportation, and urban planning. Meanwhile, road network structure has been analyzed from a network science perspective that focuses on nodes and relational links and aims to predictive models. However, limited empirical studies have explored the relationship between road network structure and ride-sharing accessibility through such perspective. This paper utilizes the spatial Durbin model to understand the relationship between road network structure and ride-sharing accessibility, proxied by Uber accessibility, through classical network measures of degree, closeness, and betweenness centrality. Taking the city of Atlanta as a case study, we have found in addition to population density and road network density, larger values of degree centrality and smaller values of closeness centrality of the road network are associated with better accessibility of Uber services. However, the effects of betweenness centrality are not significant. Furthermore, we have revealed heterogeneous effects of degree centrality and closeness centrality on the accessibility of Uber services, as the magnitudes of their effects vary by different time windows (i.e., weekday vs. weekend, rush hour in the morning vs. evening). Network science provides us both conceptual and methodological measures to understand the association between road network structure and ride-sharing accessibility. In this study, we constructed road network structure measures with OpenStreetMap, which is reproducible, replicable, and scalable because of its global coverage and public availability. The study resonates with the notion of cities as the set of interactions across networks, as we have observed time-sensitive heterogeneous effects of road network structure on ride-sharing accessibility.     

基于复杂网络节点重要性的链路预测算法

提升链路预测精度是复杂网络研究的基础问题之一,现有的基于节点相似的链路预测指标没有充分利用网络节点的重要性,即节点在网络中的影响力。针对以上问题提出基于节点重要性的链路预测算法。该算法在基于局部相似性链路预测算法的共同邻居（CN）、Adamic-Adar（AA）、Resource Allocation（RA）相似性指标的基础上,充分利用了节点度中心性、接近中心性及介数中心性的信息,提出考虑节点重要性的CN、AA、RA链路预测相似性指标。在4个真实数据集上进行仿真实验,以AUC值作为链路预测精度评价指标,实验结果表明,改进的算法在4个数据集上的链路预测精度均高于共同邻居等对比算法,能够对复杂网络结构产生更精确的分析预测。     

Identifying influential nodes in weighted complex networks using an improved WVoteRank approach

Influence maximization is an important research problem in the field of network science because of its business value. It requires the strategic selection of seed nodes called “influential nodes,” such that information originating from these nodes can reach numerous nodes in the network. Many real-world networks, such as transportation, communication, and social networks, are weighted networks. Influence maximization in a weighted network is more challenging compared to that in an unweighted network. Many methods, such as weighted degree rank, weighted h-index, weighted betweenness, and weighted VoteRank techniques, have been used to order the nodes based on their spreading capabilities in weighted networks. The VoteRank method is a popular method for finding influential nodes in an unweighted network using the idea of a voting scheme. Recently, the WVoteRank method was proposed to find the seed nodes; it extends the idea of the VoteRank method by considering the edge weights. This method considers only 1-hop neighbors to calculate the voting score of every node. In this study, we propose an improved WVoteRank method based on an extended neighborhood concept, which takes the 1-hop neighbors as well as 2-hop neighbors into account for the voting process to decide influential nodes in a weighted network. We also extend our proposed approach to unweighted networks. We compare the performance of the proposed improved WVoteRank method against the popular centrality measures, weighted degree, weighted closeness, weighted betweenness, weighted h-index, and weighted VoteRank on several real-life and synthetic datasets of diverse sizes and properties. We utilize the widely used stochastic susceptible–infected–recovered information diffusion model to calculate the infection scale, the final infected scale as a function of time, and the average distance between spreaders. The simulation results reveal that the proposed method, improved WVoteRank, considerably outperforms the other methods described above, including the recent WVoteRank.

     

A methodology for the characterization of flow conductivity through the identification of communities in samples of fractured rocks

We present a methodology that characterizes through the topology of a network the capability of flow conductivity in fractures associated to a reservoir under study. This strategy considers the fracture image as a graph, and is focused on two key aspects. The first is to identify communities or sets of nodes that are more conductive, and the second one is to find nodes that form the largest paths and have therefore more possibility of serving as flow channels. The methodology is divided into two stages, the first stage obtains the cross points from fracture networks. The second stage deepens on the community identification. This second stage carries out the process of identifying conductive nodes by using centrality measures (betweenness, eccentricity and closeness) for evaluating each node in the network. Then an optimization modularity method is applied in order to form communities using two different types of weights between cross points or nodes. Finally, each community is associated with the average value of each measure. In this way the maximum values in betweenness and eccentricity are selected for identifying communities with the most important nodes in the network. The results obtained allow us to show regions in the fracture network that are more conductive according to the topology. In addition, this general methodology can be applied to other fracture characteristics.