基于图神经网络的传染病网络关键节点识别方法技术

本发明专利技术公开了一种基于图神经网络的传染病网络关键节点识别方法，包括以下步骤：1、通过传统SIR传染病模型在生成网络上模拟病毒传播过程，构建训练数据标签；2、挑选使Kendall系数与步骤1中运算得到的得分最高的特征组合，将挑选出来的网络特征输入到引入了多个图注意力层的注意力模型中，在多种人工网络中进行训练，以得到每个节点更具适用性的重要性分数排名；3、考虑“富人俱乐部”效应，将得到的排序序列，通过基于距离为2

【技术实现步骤摘要】
基于图神经网络的传染病网络关键节点识别方法


[0001]本专利技术涉及传染病网络、图神经网络领域，具体地说，是一种基于图神经网络的传染病网络关键节点识别方法。

技术介绍

[0002]复杂网络是一种由大量节点和边构成的复杂系统，具有自组织、自相似、小世界、无标度等特征，能够描述许多自然界和人工系统中的现象和规律。复杂网络中的节点通常代表网络中的个体或实体，而边则代表节点之间的相互作用或联系。复杂网络中的节点并不是等同或等价的，有些节点由于其位置、功能或连接方式的不同，对网络的结构和动力学行为具有更大的影响力，这些节点被称为关键节点。
[0003]关键节点的识别是复杂网络研究的重要内容之一，对于理解和控制复杂网络具有重要的理论意义和实际价值。例如，在社交网络中，识别关键节点可以帮助进行有效的信息传播、舆情监控和社会影响力分析；在生物网络中，识别关键节点可以帮助发现重要的基因、蛋白质或代谢物，从而揭示生命系统的功能和机制；在交通网络中，识别关键节点可以帮助优化路线设计、提高运输效率和保障网络安全；在引言网络中，识别关键节点可以帮助读者进行高质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的传染病网络关键节点识别方法，其特征在于，包括以下步骤：S01：构建训练数据标签：通过传统SIR传染病模型在生成网络上模拟病毒传播过程，得到每个节点上传播能力初始化表示的初始输出分数，再将初始输出分数结合“消息传递”思想得到节点输出分数；利用增强K
‑
Shel l算法，得到网络每个节点的局部和全局影响因子，再将得到的网络每个节点的局部和全局影响因子与节点输出分数拼接运算，将运算得到的分数进行节点重要性排序，并将其作为后续模型的训练数据标签；S02：图注意力网络训练：挑选使Kendal l系数与S01步骤中运算得到的得分最高的特征组合，将挑选出来的网络特征输入到引入了多个图注意力层的注意力模型中，在多种人工网络中进行训练，以得到每个节点更具适用性的重要性分数排名；S03：排序结果并优化：考虑“富人俱乐部”效应，将得到的排序序列，通过基于距离为2
‑
hop的节点选择算法，挑选使影响范围进一步扩大的节点集。2.根据权利要求1所述的传染病网络关键节点识别方法，其特征在于，所述步骤S01具体包括：S11：为了得到每个节点的传播能力值，依次遍历网络中的所有节点分别作为感染源，将其状态设为感染状态I，其余所有节点状态设为易感状态S，通过在不同类型网络上训练来提升模型的适用性，其中感染率设为其中k为节点度，分子表示网络平均度，分母为网络度分布，恢复率固定为0.25，对于节点i，每一次SIR模拟中，在经过给定传播天数后统计网络中感染节点I和恢复节点R的数量之和，将其除以网络节点数Ν，得到节点i的初始传播分数计算过程如下：其中，I(j)和R(j)分别表示第j次模拟结束时，以节点i为初始感染源的网络中感染者和恢复者的数量，times为模拟次数；S12：将S11得到的分数结合“消息传递”思想，利用度信息使重要性分数更具单调性并更贴合实际；其中d
j
为节点v
j
的度，为v
i
的邻居节点集，为v
i
的初始传播分数；S13：在实际网络中，某一节点的传播能力会级联的感染不相邻的节点，仅考虑局部的特征来识别关键节点会导致结果的不准确，因此使用在基于K
‑
Shell算法所改进的增强K
‑
Shel l算法，通过将信息熵运用于复杂网络中，能很好的捕捉节点局部和全局信息，为每个节点计算得到局部和全局影响力分数：
其中IKS
i
为节点i的增强K
‑
Shel l值，为当前网络的节点数，dist
ij
为节点i和j之间的最短...

【专利技术属性】
技术研发人员：宋玉蓉，张明磊，曲鸿博，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：