[发明专利]一种基于接近中心性计算的关键节点识别方法及系统

说明书

本发明公开了一种基于接近中心性计算的关键节点识别方法及系统，首先在超图网络中构建任意两点间的n‑路径；然后选取超图中的节点并计算接近中心性；再选取节点在SIR传播模型中模拟传播过程；对每一个传播源节点记录传播到达稳态时R态节点的比例，得到一个R态节点比例的序列；最后计算接近中心性排名和传播到达稳态时R态节点的比例的相关性，通过k阶接近中心性识别影响力大的节点。本发明考虑了超图中不同维度的高阶交互，定义了任意两个节点间的距离，并实现了超图中接近中心性的计算；对于发现超图网络中的重要节点，具有重要的指导意义。

技术领域

本发明具体涉及一种基于接近中心性计算的关键节点识别方法及系统。

背景技术

基于两个对象之间关系的数据集自然来自现实世界中的广泛领域：在线社交网络中两个用户之间的友谊、从一个网页到另一个网页的超链接、从一个出版物到另一个出版物的引用等等。图形表示可以对这种类型的关系数据集进行简单而广泛的分析，并且它们已被用于在许多方面理解此类数据集。通过图形分析对这些数据集进行透彻的理解，可以获得这些数据集背后的深刻见解，并有助于在这些见解的基础上开发有效的算法。

并非所有的关系网络都仅限于成对关系，多元关系也普遍存在；例如，发表一篇论文可能涉及三位或三位以上的作者，而在线群组聊天可能涉及数十名参与者。超图是传统图概念的自然延伸，允许各种大小的边。在形式上，超图由一组节点和一组超边组成，其中每个超边都是包含任意数量节点的非空子集。它们可以表示高阶交互(即任意数量的对象之间的交互)，而不仅仅是图中两个对象之间的交互。考虑到多元相互作用证明是富有成效的，而且对于具有挑战性的任务来说确实是不可避免的。任务越艰巨，利用高阶交互的信息就越有用，简单地从高阶交互减少到成对交互可能导致性能显著降低。因此，自然地代表如此复杂相互作用的超图在许多领域都引起了相当大的关注，包括超网络上的信息传播、计算机视觉和图形学习等。

网络上的信息扩散是网络科学中的一个重要概念，在社会网络中的信息传播和谣言控制、个人之间的疾病传染、电网中的连锁故障等情况下都可以观察到。在扩散过程中，一些网络结构起着关键作用，主要影响网络结构和功能。例如，在社交网络中，人们可以通过关键节点在网络中快速传播信息；在传染病网络中，可以通过控制影响节点来减少传染病的扩散。因此，识别关键(有影响的)节点和边在网络科学中具有实际意义。

目前，对于超图网络上的关键节点识别还没有很好的解决方案，也没有一种基于高阶路径的接近中心性指标能够在绝大多数数据集上识别关键节点。

发明内容

针对现有技术中存在的不足，本发明一种基于接近中心性计算的关键节点识别方法及系统。本发明要在超图网络中定义任意两个节点的距离，在该距离定义的基础上实现一种高效的计算节点接近中心性算法，进而找到超图网络中的关键节点。

网络中重要节点的交互在信息传播中起着关键作用，主要影响网络的结构和功能。此外不仅两个节点之间的交互可以是成对交互(即边)，而且三个或更多节点之间的交互也可以是高阶交互。本发明利用超图网络中超边之间节点重合程度和高阶交互的相关性，提供了一种可以从不同高阶交互的维度来计算节点间传播距离的方法，在此基础上实现了超图中节点接近中心性的计算。

一种基于接近中心性计算的关键节点识别方法，包括如下步骤：

步骤1，在超图网络中构建任意两点间的n-路径；

步骤2，选取超图中的节点并计算接近中心性；

步骤3，选取节点在SIR传播模型中模拟传播过程；

步骤4，对每一个传播源节点记录传播到达稳态时R态节点的比例，得到一个R态节点比例的序列。

步骤5，计算接近中心性排名和传播到达稳态时R态节点的比例的相关性，通过k阶接近中心性识别影响力大的节点。

进一步的，步骤1具体方法如下：