基于度与H指数扩展的复杂网络节点排序方法
发布时间：2021-08-15 12:36
在复杂网络中常用的识别节点影响力的中心性指标有介数中心性、度中心性、紧密中心性、H指数中心性和K-shell中心性等,这些指标在识别有影响力的节点时存在一定的局限性.本文在H指数中心性与度中心性的基础上提出了局部DH指数中心性指标来识别网络中有影响力的节点,该指标考虑了节点自身的度与H指数以及邻居节点的H指数.通过SIR传播模型以及单调函数（M）两种方法评价了各中心性方法识别网络中节点影响力的有效性.实验结果分析表明,在一些网络中该指标较一些常用的中心性方法能够更有效地识别网络中节点的影响力.
【文章来源】：兰州理工大学学报. 2020,46(05)北大核心
【文章页数】：7 页
【部分图文】：
示例网络的拓扑结构
为了更好地验证局部DH指数中心性的准确性,本文还将其在无标度网络模型(BA)[28]中与其他中心方法进行了比较.BA模型生成网络的主要步骤如下:首先,网络从一个初始连接的m0节点网络开始;然后,每次将每个新节点添加到网络中,用m(m<m0)个节点构造新链接,其概率与现有节点的链接数量成正比.本文分别设置节点数n=1 000、m0=20、m=3和n=1 000、m0=20、m=5来生成无标度网络BA,结果从图3中可以看岀,当感染率β很小时,DC方法优于DH方法,但是DH方法优于其他方法,这是由于BA网络的优先连接特性:在无标度网络中,新的节点更倾向于与那些具有较大的度的节点相连接.因此,与较大度的节点相连接的节点度较小,导致度分布不平衡,这不利于H指数识别有影响力的节点.随着感染率β的增大,DH方法优于其他中心性方法,但也出现CC方法优于DH方法,这主要是因为CC方法与节点到网络中其他节点的最短路径长度有关,而BA网络的平均最短路径长度通常很小,因此当β越大时,越容易感染其他节点,这有利于CC方法识别网络中有影响力的节点.从总体来看,DH方法在无标度网络(BA)中,能很好地识别节点的影响力.图3 无标度网络在不同的感染率β下的节点影响力与各指标的相关系数T
无标度网络在不同的感染率β下的节点影响力与各指标的相关系数T
【参考文献】：
期刊论文
[1]聚类系数指标对复杂网络鲁棒性的影响分析[J]. 卢鹏丽,董璊,曹乐. 兰州理工大学学报. 2019(03)
本文编号：3344572
【文章来源】：兰州理工大学学报. 2020,46(05)北大核心
【文章页数】：7 页
【部分图文】：
示例网络的拓扑结构
为了更好地验证局部DH指数中心性的准确性,本文还将其在无标度网络模型(BA)[28]中与其他中心方法进行了比较.BA模型生成网络的主要步骤如下:首先,网络从一个初始连接的m0节点网络开始;然后,每次将每个新节点添加到网络中,用m(m<m0)个节点构造新链接,其概率与现有节点的链接数量成正比.本文分别设置节点数n=1 000、m0=20、m=3和n=1 000、m0=20、m=5来生成无标度网络BA,结果从图3中可以看岀,当感染率β很小时,DC方法优于DH方法,但是DH方法优于其他方法,这是由于BA网络的优先连接特性:在无标度网络中,新的节点更倾向于与那些具有较大的度的节点相连接.因此,与较大度的节点相连接的节点度较小,导致度分布不平衡,这不利于H指数识别有影响力的节点.随着感染率β的增大,DH方法优于其他中心性方法,但也出现CC方法优于DH方法,这主要是因为CC方法与节点到网络中其他节点的最短路径长度有关,而BA网络的平均最短路径长度通常很小,因此当β越大时,越容易感染其他节点,这有利于CC方法识别网络中有影响力的节点.从总体来看,DH方法在无标度网络(BA)中,能很好地识别节点的影响力.图3 无标度网络在不同的感染率β下的节点影响力与各指标的相关系数T
无标度网络在不同的感染率β下的节点影响力与各指标的相关系数T
【参考文献】：
期刊论文
[1]聚类系数指标对复杂网络鲁棒性的影响分析[J]. 卢鹏丽,董璊,曹乐. 兰州理工大学学报. 2019(03)
本文编号：3344572
本文链接：https://www.wllwen.com/kejilunwen/yysx/3344572.html
