Clusterin在大规模定向网络中识别影响的点的作用.docxVIP

Cluster-rank在大规模定向网络中识别有影响的节点的作用Duan-Bing Chen1,3, Hui Gao1, Linyuan Lu 2,3*,1网络科学中心,计算机科学与工程学院电子科技大学,成都,中华人民共和国2信息经济研究所,阿里巴巴商业学院,杭州师范大学,杭州,中华人民共和国,3物理系,弗里堡大学,瑞士弗里堡摘要在大规模定向网络中识别有影响的节点是一个很大的挑战，而且是一个非同寻常的应用程序，它能加速信息传播，控制谣言和疾病，设计搜索引擎，和理解社会和生物网络的分层结构。从节点中心找到已知方法的范围，,比如diffusion-based流程的程度, 封闭性和中间性,如PageRank和LeaderRank。其中有些方法已经考虑节点的邻居的影响,但不直接使用它的近邻间的相互作用。本地集群是已知的负面影响传播的信息。我们进一步展示经验,它对生成本地连接还起着消极作用。受这些事实的影响,我们提出一个名为ClusterRank的当地排名算法,它不仅考虑到近邻和近邻的影响,而且还包括聚类系数。实验结果表明，受制于感染者与恒传染性的传播模型,社交网络在和大规模的短消息通信网络中,证明了ClusterRank优于PageRank和LeaderRank等一些基准算法。此外,ClusterRank也体现了无向网络的优越性，ClusterRank相比程度中心和k壳分解而言，意义更为重大。此外,ClusterRank只利用本地信息,这比全局方法更加有效:只需要191秒，其网络约有107个节点,比PageRank快15倍。介绍在许多的分支科学中，在生物、社会和技术网络中，研究感染和信息传播成为最令人兴奋的领域之一，他们有着伟大的理论和实践意义。在研究有影响力的节点的识别中，如何控制特定利益的传播过程是一个至关重要的问题，它包括假设越有影响力的节点越容易感染，以及如何感染更多的节点。许多中心指数提出了解决这一问题,如程度中心、接近中心性、中介中心性,特征向量中心性。程度中心是一种简单,有效的指标,但不那么相关。最近的研究表明, 在社交网络中，top-degree排名节点对合作有积极影响。然而,网络中一个节点的位置可能比它的程度会发挥更重要的作用。例如,节点位于中心的网络,有一些非常有影响力的近邻，也许比一个有更多数量的近邻更有影响力。考虑到这一事实,并且基于假设节点在同一更高级的命令解释器中也有类似的影响，且节点可能会感染更多的节点，陈等人提出了粗粒度的方法，通过使用k壳分解量化一个节点的影响力。这种方法在某些情况下可能会失败。例如,在一个树中,所有节点都在1壳,因此将有相同的影响。然而,这棵树可以分层次组织(如二叉树)，节点附近的根比叶子有高得多的影响。陈等人设计了一种半局部指数，该指数考虑到下一个最近的邻居,它可以识别影响力节点的层次树,这是比k壳分解更复杂的部分。实验结果表明,semi-local指数是一个表现好的全局指数,它计算复杂度更低,因此获得一个易于交易的有效性和效率。最近,陈等人讨论路径数量和路径多样性的排名节点网络的传播能力的影响,介绍了相应的两个修正因素。与一些著名的排名方法相比,如PageRank和LeaderRank等，其排名的准确性大大增加。随着数据的爆炸式增长，效率和效益的排名算法在非常大型网络中的设计在近期成为一个很大的挑战。代表性的方法包括众所周知的HITs和PageRank ，以及一些像LeaderRank和TwitterRank等最近提出等的算法。所有这些算法基于扩散（或者说随机移走），具有一个共同的假设，即如果它指向许多更有影响的近邻，则某个节点预计是高的影响，。（在此，从i到j的链接表示j是i的跟随器）。已经证实，这些方法排名有效性方面优于出度中心性。除了直接影响成绩的邻居，邻居之间的相互作用也可起到显著的作用。互动邻里之间的密度可以表示当地聚集系数，这对网络动态有很大的影响，如博弈论，级联，同步，传播。实证分析也表明，较小的群集节点具有较高的能力，以吸引新的连接。牢记这一点，在本文中，我们提出了一个本地的排序方法，命名为ClusterRank，它考虑到了信息传播的本地集群效应，以确定向网络影响力的节点。除了我们的算法的定位，与上述扩散的算法彼此区分不同的是，该聚类系数直接参与在ClusterRank节点的影响的定义。我们应用SIR传播模型的常数感染，来测试我们的方法的有效性，它包括四个真正的网络，其中包括两次大规模向网络（从提取有 10^6节点的社交网络，而短报文通信网络含有约10^7个节点）和两个无向网络（一个是从凝聚态电子印刷档案，它由协调网络组成，共有3*10^4的节点，而另一个是社交网络中的无向网络）。实验结果表明，ClusterRank的性能比最简单的程度中心好得多，并确定与通过的