社交网络节点中心性测度-计算机工程与应用.pdfVIP

116 2014 ，50（5 ） Computer Engineering and Applications 计算机工程与应用 社交网络节点中心性测度 刘 欣，李 鹏，刘 璟，王娅丹 LIU Xin, LI Peng, LIU Jing, WANG Yadan 1.武汉科技大学 计算机科学与技术学院，武汉 430065 2.智能信息处理与实时工业系统湖北省重点实验室，武汉 430065 1.College of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan 430065, China 2.Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System, Wuhan 430065, China LIU Xin, LI Peng, LIU Jing, et al. Centrality for nodes in social networks. Computer Engineering and Applica- tions, 2014, 50 （5 ）：116-120. Abstract ：In social networks, investigating node influence and influence maximization is an important issue and attracts great interest in the research community. In order to analyze its personal influence and potential influence, it proposes a Personal-Potential Influence （PPI ）algorithm, which evaluates the weight of its k-shell, closeness centrality and between- ness centrality by considering the strength of relationship between nodes. The experimental results show that PPI has the higher accuracy in node influence and outperforms other algorithms. Key words ：node influence; influence maximization; social network; key node; centrality 摘 要：研究节点影响力以及扩大节点影响力的范围在社交网络传播中具有重大意义。为了综合分析节点自身影 响力与其潜在影响力，提出了PPI （Personal-Potential Influence ，PPI ）算法，用介数中心性值，紧密中心性值及k-shell 值加权来评估节点自身影响力，再通过节点间的相互影响来评估其潜在影响力。实验结果表明PPI 算法在评估节点 影响力上有较好的准确性。 关键词：节点影响力；影响力最大化；社交网络；重要节点；中心性 文献标志码：A 中图分类号：TP301.6 doi ：10.3778/j.issn. 1002-8331.1311-0204 1 引言 该方法具有较高的时间复杂度与空间复杂度。2001 年 [2] 当前基于SNS （Social Network Service）的社交网 Brandes 提出了一种快速计算介数中心性的算法 ，该算 络是依靠人与人之间的关系强弱来传播信息的。因此， 法将时间复杂度降至O(VE )但其局限性在于很难发现 研究社交网络的传播规律并评估其节点影响力的时候， 边界节点的重要性。网络分析中，一般采用各种中心性