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。