[论文解读] Centrality Measures in Complex Networks: A Survey

Akrati Saxena, S. R. S. Iyengar|arXiv (Cornell University)|Nov 14, 2020

Complex Network Analysis Techniques参考文献 242被引用 13

一句话总结

本综述全面概述了复杂网络中的中心性度量，将其分类为局部（例如，度数、半局部）或全局（例如，接近度、介数、PageRank、特征向量）中心性。它探讨了加权、有向和动态网络的扩展，近似算法，top-k 节点识别，以及在社交网络、生物网络和城市道路系统等真实网络中的应用案例，为根据网络类型和应用背景选择合适的中心性度量提供了指导。

ABSTRACT

In complex networks, each node has some unique characteristics that define the importance of the node based on the given application-specific context. These characteristics can be identified using various centrality metrics defined in the literature. Some of these centrality measures can be computed using local information of the node, such as degree centrality and semi-local centrality measure. Others use global information of the network like closeness centrality, betweenness centrality, eigenvector centrality, Katz centrality, PageRank, and so on. In this survey, we discuss these centrality measures and the state of the art literature that includes the extension of centrality measures to different types of networks, methods to update centrality values in dynamic networks, methods to identify top-k nodes, approximation algorithms, open research problems related to the domain, and so on. The paper is concluded with a discussion on application specific centrality measures that will help to choose a centrality measure based on the network type and application requirements.

研究动机与目标

• 根据计算范围和应用背景，系统性地对复杂网络中的局部和全局中心性度量进行分类和比较。
• 识别中心性计算中的关键研究挑战，包括大规模网络中的高计算复杂度，以及动态网络中高效更新的需求。
• 考察经典中心性度量向加权、有向、多层及时间网络等多样化网络类型的扩展。
• 评估无需计算完整中心性排序即可识别 top-k 影响力节点的方法，以降低计算开销。
• 根据网络结构和真实世界应用场景（如疾病传播、信息扩散、基础设施规划）提供特定应用的中心性度量选择指导。

提出的方法

• 根据信息范围，将中心性度量分类为局部（度数、半局部）和全局（接近度、介数、特征向量、PageRank、核心度）类别。
• 调查中心性度量在加权、有向、多层及时间网络中的扩展，调整定义以保持语义一致性。
• 回顾利用采样或局部计算估算中心性值的近似算法，以降低大规模网络中的时间复杂度。
• 分析动态网络更新技术，通过增量方式调整节点或边变更后的中心性值，避免从头开始重新计算。
• 研究利用启发式方法或部分计算的 top-k 识别策略，以高效定位最具影响力的节点。
• 提出混合型及特定应用的中心性度量，例如用于单向流网络（如性网络）的路径基础中心性，以弥补基于最短路径度量的局限性。

实验结果

研究问题

• RQ1 局部与全局中心性度量在识别影响力节点方面的能力有何差异？在何种情境下各自更为适用？
• RQ2 将经典中心性度量扩展至加权、有向或多层网络等复杂网络类型时，面临的关键挑战是什么？
• RQ3 如何在无需完整重新计算的前提下，高效地近似或增量更新大规模或动态网络中的中心性值？
• RQ4 在不计算所有节点中心性分数的前提下，识别 top-k 影响力节点的最有效方法是什么？
• RQ5 在真实世界网络应用（如社交、生物、城市网络）中，哪些特定中心性度量表现更优，原因是什么？

主要发现

• 当信息通过最短路径传播时，接近度和介数中心性最为有效，但在单向流或非最短路径传播中（如性网络）则失去相关性。
• PageRank 和特征向量中心性在识别全局影响力节点方面优于度数中心性，因其考虑了邻居的重要性。
• 近似算法显著降低了大规模网络中全局中心性度量的计算时间，使其具备实际部署可行性。
• 动态网络更新方法可在节点或边变更后高效重新计算中心性值，相比完整重新计算显著降低了计算开销。
• top-k 识别技术通过仅关注高潜力节点，显著降低了计算成本，使中心性分析更具可扩展性。
• 特定应用的中心性度量（如基于路径的或长度加权的介数中心性）对于建模现实世界动态（如谣言传播或单向信息流）至关重要。