基于度与集聚系数的网络节点重要性度量方法研究

现有复杂网络节点重要性评估研究主要集中在无向、无权复杂网络上,未能全面客观反映真实复杂网络的情况。本文基于有向加权复杂网络模型,借鉴PageRank排名算法,并结合复杂网络节点重要性评估特点,提出节点重要性评估的新指标―――DWCN - NodeRank和相应评估方法,该指标既反映出节点局部连接的特性,又从全局体现了有向加权复杂网络中整体链接关系对节点重要性的影响。采用真实的复杂网络数据集所进行的仿真实验结果表明,该方法能快速、有效地评估有向加权复杂网络节点的重要性,提高了复杂网络节点重要性评估的实用价值

随着社区规模的不断扩大，基于标签传播思想的重叠社区发现算法得到较大发展。经典重叠社区发现算法虽然很好地利用了标签随机传播特性实现了重叠社区发现，但是也导致该算法输出结果很不稳定、社区生成质量较差。为克服采用最新的ClusterRank为所有节点排序降低随机性带来的结果稳定性差的弊端，引入最大社区节点数以控制最大社区节点数目，防止远大于其他社区的Monster出现。采用真实数据集和人工网络验证，结果证实，改良后算法可行有效。

加权网络节点重要性评估的改进节点收缩法

基于互信息的网络节点重要程度计算，代码简单易实现，而且计算的结果比边介数法更能体现重要性，适用于大规模网络

基于复杂网络节点重要性的链路预测算法[J]. ，2016, 36(12) : 3251-3255

网络中节点重要性度量对于信息的扩散、产品的曝光、传染性疾病的检测等都具有重大的理论意义。为了度量节点重要性，基于网络拓扑结构考虑全局信息和局部信息提出了加权的节点重要性度量方法。对于一个无权网络，先考虑网络全局信息，计算出每个节点的特征中心向量值，将边两端节点值的和作为边的权重，从而构成一个加权网络；然后根据加权网络的局部信息求出加权网络的度。基于SIR模型的四个实证网络，实验结果表明加权方法比特征向量中心性、度中心性、紧密度中心性和介数中心性方法的效果更显著。

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.

可拓聚类的科教人际网络节点重要性动态分析方法.pdf