[论文解读] Weighted H-index for identifying influential spreaders

Senbin Yu, Liang Gao+4 more|arXiv (Cornell University)|Oct 15, 2017

Complex Network Analysis Techniques参考文献 44被引用 7

一句话总结

本文提出了一种加权 h 指数中心性方法，通过引入虚拟节点扩展复杂网络，以更准确地识别社交、生物和科技网络中的关键传播者。通过结合节点权重并利用虚拟节点扩展，该方法在真实网络上相较于五种经典中心性度量，实现了更高的准确性和一致性，从而更优地对关键节点进行排序。

ABSTRACT

Spreading is a ubiquitous process in the social, biological and technological systems. Therefore, identifying influential spreaders, which is important to prevent epidemic spreading and to establish effective vaccination strategies, is full of theoretical and practical significance. In this paper, a weighted h-index centrality based on virtual nodes extension is proposed to quantify the spreading influence of nodes in complex networks. Simulation results on real-world networks reveal that the proposed method provides more accurate and more consistent ranking than the five classical methods. Moreover, we observe that the monotonicity and the computational complexity of our measure can also yield excellent performance.

研究动机与目标

• 为解决在复杂网络中准确识别关键传播者以支持疫情控制和疫苗接种策略的挑战。
• 克服经典中心性度量在有效捕捉节点影响力与网络结构方面存在的局限性。
• 开发一种在计算效率与高排名一致性及单调性之间取得平衡的度量方法。
• 通过在网络拓扑中整合节点权重与虚拟节点扩展，提升传播影响力的量化能力。
• 利用真实世界网络数据集，将该方法的性能与既有的中心性度量进行对比验证。

提出的方法

• 提出一种加权 h 指数中心性度量，根据具有至少同等影响力邻居数量来分配影响力得分。
• 引入虚拟节点以扩展网络结构，从而实现对影响力传播的更细致建模。
• 基于节点的度数与连通性为其分配权重，增强对高阶数和高度连通节点的敏感性。
• 应用一种改进的 h 指数算法，同时考虑具有影响力的邻居数量及其个体权重。
• 采用递归扩展机制，通过虚拟节点模拟影响力扩散，提升排名稳定性。
• 采用单调性约束，确保在不同网络拓扑中均保持一致的排名性能。

实验结果

研究问题

• RQ1 所提出的加权 h 指数中心性与经典中心性度量相比，在识别关键传播者方面表现如何？
• RQ2 虚拟节点扩展在多大程度上提升了影响力排名的准确性和一致性？
• RQ3 该加权 h 指数在实现优越性能的同时，是否保持了较高的计算效率？
• RQ4 该方法在捕捉多样化真实世界网络结构中的传播影响力方面表现如何？
• RQ5 节点加权与虚拟节点集成对排名单调性与鲁棒性有何影响？

主要发现

• 所提出的方法在真实世界网络上对关键传播者的排序比五种经典中心性度量更准确且更一致。
• 结合虚拟节点扩展的加权 h 指数在准确性和计算效率方面均表现出更优性能。
• 该方法保持了较强的单调性，确保在不同网络配置下影响力排名的稳定与可靠。
• 仿真结果证实，该度量优于传统的度数、介数和特征向量中心性等指标。
• 节点权重与虚拟节点的整合显著提升了在复杂网络中检测高影响力传播者的能力。
• 该方法在多种网络类型中表现出稳健性能，包括社交网络与科技系统。