[论文解读] Identifying influential nodes in complex networks: Effective distance gravity model

Qiuyan Shang, Yong Deng+1 more|arXiv (Cornell University)|Nov 12, 2020

Complex Network Analysis Techniques参考文献 49被引用 4

一句话总结

该论文提出了一种有效的距离引力模型（EffG），通过用基于概率路径分析得出的有效距离替代传统的欧几里得距离，以更好地捕捉复杂网络中动态节点交互作用，从而识别关键节点。该方法融合了局部与全局网络信息，在使用SI模型对八个真实网络进行的模拟中，其性能优于六种现有方法，展现出更优的稳定性和与实际信息传播动态的相关性。

ABSTRACT

The identification of important nodes in complex networks is an area of exciting growth due to its applications across various disciplines like disease controlling, community finding, data mining, network system controlling, just to name a few. Many measures have thus been proposed to date, and these measures are either based on the locality of nodes or the global nature of the network. These measures typically use distance based on the concept of traditional Euclidean Distance, which only focus on the local static geographic distance between nodes but ignore the interaction between nodes in real-world networks. However, a variety of factors should be considered for the purpose of identifying influential nodes, such as degree, edge, direction and weight. Some methods based on evidence theory have also been proposed. In this paper, we have proposed an original and novel gravity model with effective distance for identifying influential nodes based on information fusion and multi-level processing. Our method is able to comprehensively consider the global and local information of the complex network, and also utilize the effective distance to replace the Euclidean Distance. This allows us to fully consider the complex topological structure of the real network, as well as the dynamic interaction information between nodes. In order to validate the effectiveness of our proposed method, we have utilized the susceptible infected (SI) model to carry out a variety of simulations on eight different real-world networks using six existing well-known methods. The experimental results indicate the reasonableness and effectiveness of our proposed method.

研究动机与目标

• 解决现有节点影响力度量方法依赖静态欧几里得距离、忽略真实网络中节点间动态交互作用的局限性。
• 开发一种整合局部拓扑特征与全局网络结构的方法，以实现更准确的影响力评估。
• 用基于邻接矩阵推导出的路径概率所决定的有效距离，替代传统距离度量，以反映网络中真实的动态交互作用。
• 通过在多样化的真实网络中使用易感-感染（SI）模型验证所提方法在预测信息传播方面的有效性。
• 证明所提方法相较于六种知名现有方法，能与实际传播动态保持更高的相关性。

提出的方法

• 该方法在引力模型中用有效距离替代欧几里得距离，有效距离量化了基于网络拓扑的信息流动可能性。
• 有效距离通过邻接矩阵计算，用于估计节点间最可能的路径，从而捕捉动态交互潜力。
• 引力模型整合了节点度（局部影响力）与有效距离（全局可达性），以计算综合影响力得分。
• 影响力得分结合了节点质量（如度数）与节点间有效距离，遵循类似引力的公式：F_ij = m_i * m_j / d_eff_ij。
• 通过融合局部连通性与全局路径概率，实现多层次信息融合，以对节点影响力进行排序。
• 模型采用SI模型进行评估，其中每个节点被初始化为感染状态，最终感染节点数量作为影响力评估的真实基准。

实验结果

研究问题

• RQ1 用有效距离替代欧几里得距离，在复杂网络中识别关键节点方面，能多大程度上提升性能？
• RQ2 所提出的有效距离引力模型（EffG）在真实网络中与实际信息传播动态的相关性如何？
• RQ3 EffG在预测不同网络类型中影响力传播方面，与六种成熟方法（如DC、BC、CC、EC、PageRank、KS）相比表现如何？
• RQ4 所提模型在不同网络结构和传播阈值下是否保持稳定且一致的性能？
• RQ5 在影响力传播场景中，有效距离度量是否能比静态几何距离更好地捕捉节点间的动态交互作用？

主要发现

• 所提的有效距离引力模型（EffG）在四个真实网络（Jazz、NS、Email、USAir）中与SI模型最终感染数的肯德尔等级相关系数（Kendall’s tau）最高，表明其与实际传播动态高度一致。
• 在Jazz网络中，EffG在绘制节点排序与最终感染数关系时，呈现稳定递减曲线，波动极小，显著优于BC和EC等方法，后者表现出显著不稳定性。
• 在Facebook网络中，当β > 0.9时，EffG与SI模型的相关性位居第二，且在不同传播速率下保持稳定，而BC则表现出大幅波动。
• 在USAir网络中，EffG与BC的tau值均较低，但EffG在影响力排序上的下降趋势更稳定可靠，而BC则表现出剧烈波动。
• 在所有八个测试网络中，EffG展现出更优的鲁棒性与一致性，尤其在不同传播阈值（β）下性能下降最小。
• 该方法优于传统中心性度量如度中心性（DC）和介数中心性（BC），后者在动态传播场景中表现出高度敏感与不稳定性。