本文总结复杂网络中节点重要性度量、节点重要性排序算法,将根据属性特点分为四类进行总结。
在复杂网络节点影响力和社区发现的研究中,一个重要的问题是识别传播中最有影响力的节点,挖掘具有影响力的节点并对影响力节点进行排序等研究成为很多学者亟待研究的难题。用拓扑结构来度量节点的影响力成为一种常见的做法。现有的基于拓扑结构的节点重要度度量方法包括:基于局部属性的度量,基于全局属性的度量,基于随机游走的度量,基于社团结构的度量。
一、基于局部属性的度量
局部集聚系数(Local Clustering Coefficient)
二、基于全局属性的度量
介数中心性(Betweenness Centrality)
接近(紧密度)中心性(Closeness Centrality)
特征向量中心性(Eigenvector Centrality)
k-shell分解法(K-Shell)
MDD剩余度分解法
Cnc、Cnc+
KS-IF算法
三、基于随机游走的度量
PageRank算法
HITS算法
LeaderRank算法
四、基于社团结构的度量
结构洞(structural holes)
五、融合多属性
熵权法
参考文献:
[1]刘建国, 任卓明, 郭强,等. 复杂网络中节点重要性排序的研究进展[J]. 物理学报, 2013, 62(17):000001-10.
[2]任晓龙, 吕琳媛. 网络重要节点排序方法综述[J]. 科学通报, 2014(13):1175-1197.
[3]韩忠明, 陈炎, 刘雯,等. 社会网络节点影响力分析研究[J]. 软件学报, 2017, 28(1):84-104.
编辑:孙小北
本文地址: https://www.xiaowangyun.com/wyblog/detail/?id=111
版权归属: www.xiaowangyun.com 转载时请以链接形式注明出处
0 条评论