[论文解读] Identifying a set of influential spreaders in complex networks

Jianxiong Zhang, Duanbing Chen+2 more|arXiv (Cornell University)|Jan 30, 2016

Complex Network Analysis Techniques参考文献 26被引用 13

一句话总结

该论文提出VoteRank，一种迭代算法，通过节点基于影响力相互投票来识别复杂网络中的关键传播者，同时降低已选传播者邻居的投票权重。VoteRank在SIR和SI模型下，于真实网络中展现出比传统方法（如PageRank、k-shell和ClusterRank）更优的传播效率与可扩展性，实现更高的最终影响规模和更快的计算速度。

ABSTRACT

Identifying a set of influential spreaders in complex networks plays a crucial role in effective information spreading. A simple strategy is to choose top-$r$ ranked nodes as spreaders according to influence ranking method such as PageRank, ClusterRank and $k$-shell decomposition. Besides, some heuristic methods such as hill-climbing, SPIN, degree discount and independent set based are also proposed. However, these approaches suffer from a possibility that some spreaders are so close together that they overlap sphere of influence or time consuming. In this report, we present a simply yet effectively iterative method named VoteRank to identify a set of decentralized spreaders with the best spreading ability. In this approach, all nodes vote in a spreader in each turn, and the voting ability of neighbors of elected spreader will be decreased in subsequent turn. Experimental results on four real networks show that under Susceptible-Infected-Recovered (SIR) model, VoteRank outperforms the traditional benchmark methods on both spreading speed and final affected scale. What's more, VoteRank is also superior to other group-spreader identifying methods on computational time.

研究动机与目标

• 解决现有影响力最大化方法选择传播者时过于聚集的问题，从而降低整体传播效果。
• 开发一种快速、可扩展且去中心化的算法，用于识别大规模复杂网络中的关键传播者。
• 通过确保所选传播者在网络中分布广泛，避免影响力重叠，从而提升传播效率。
• 在保持高传播性能的同时，降低计算成本，尤其适用于大规模网络。
• 为贪心和启发式方法提供一种稳健的替代方案，后者在大规模应用中往往过慢或不稳定。

提出的方法

• VoteRank采用迭代投票机制，每轮中所有节点根据其当前得票分数，投票选出最具影响力的节点。
• 选定传播者后，其邻居的投票权重被降低，以防止传播者聚集，促进传播者在空间上的分散。
• 投票分数初始值基于节点度或统一值设定，并在每次选择后动态更新，以反映其影响力潜力的变化。
• 该算法迭代选择r个传播者，每一步包括寻找得票分数最高的节点，并更新其邻居的影响力。
• 该方法利用网络拓扑结构和局部信息，优先选择既具高影响力又分布广泛的节点。
• 通过红黑树等数据结构优化计算复杂度，将每次选择的时间复杂度降低至O(log n)。

实验结果

研究问题

• RQ1 如何识别一组既高效又在网络中分布广泛的影响力传播者？
• RQ2 与基于度或k-shell等静态中心性指标相比，迭代投票机制能否提升传播性能？
• RQ3 VoteRank在传播效率和最终影响规模方面是否优于PageRank、k-shell和ClusterRank等基准方法？
• RQ4 与SPIN和度折扣等贪心及启发式算法相比，VoteRank在计算效率上表现如何？
• RQ5 传播者分散程度（以平均最短路径长度衡量）对整体传播效果有何影响？

主要发现

• 在SIR和SI模型下，VoteRank在所有四个真实网络测试中，最终影响规模均高于k-shell、PageRank和ClusterRank。
• 在SIR模型下，VoteRank在DBLP网络上的传播效率比PageRank最高提升21.90%。
• VoteRank所选传播者的平均最短路径长度（Ls）显著高于其他方法，表明其空间分布更优。
• 当r ≪ n时，VoteRank在稀疏网络中的计算时间降至O(n)，使其在大规模网络中具有高度可扩展性。
• VoteRank在不同感染率（λ）和初始传播者数量（p）下均保持稳定性能，表现出强鲁棒性。
• VoteRank在无向网络中优于K-shellRank，在有向网络中表现优于PageRank和LeaderRank。