一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法技术

本发明专利技术公开了一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，包括以下步骤：(1)获取节点的信息熵(Information Entropy，IE)；(2)计算节点所有邻居节点的度值，获取节点的邻域信息熵(Neighborhood Information entropy,NEI)；(3)计算节点间的有效距离d(i,j)；(4)计算节点的全局影响力(Global Influence，GI)；(5)最终得到每个节点的最终影响力值(Final Impact，FI)；(6)给所有节点的FI值进行排序，FI值最高的为关键节点。本发明专利技术同时考虑全局和局部信息来挖掘网络中的关键节点，方法高效、准确，克服了传统以单一指标识别网络关键节点的片面性，及考虑路径过多导致的运算规模过大等问题，可用于不同类型的网络。的网络。的网络。

【技术实现步骤摘要】
一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法


[0001]本专利技术属于复杂网络
，具体涉及一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法。

技术介绍

[0002]复杂网络是由大量节点和节点间复杂的连接关系构成的网络结构，可以用来表征各种现实世界的复杂系统，例如社交网络、电力网络、交通规划网络等，这些网络在各领域都起着至关重要的作用，如控制社交舆论传播、疾病传播、交通流动等。
[0003]复杂网络中也存在一些关键的节点，对整个网络的结构和功能具有决定性影响。关键节点的识别作为复杂网络研究领域的重要分支，是分析与理解复杂网络特性、结构、功能的有效方式之一，它旨在发现在网络中具有特殊角色或功能的节点，如关键影响者、中心节点或异常节点。近几十年来已成为了各领域研究人员共同关注的焦点。例如，通过对社交舆论网络中的舆论领袖言论加以控制，能够有效抑制谣言的传播；通过对交通网络中重要站点的人流进行控制，可以有效缓解交通网络的拥堵情况；通过对电网中的关键节点加以维护，可以有效避免级联失效现象的发生。由此可见，复杂网络节点识别仍是网络科学中的重要研究课题，通过识别关键节点和影响者，我们可以深入理解网络的内在机理和规律，对于优化网络结构，增强网络鲁棒性及提高网络运行的有效性都具有重要的现实意义。有效的节点识别算法可以应对日益庞大复杂的网络数据，并为网络科学的进步和实际应用的发展做出贡献。
[0004]迄今为止，根据不同的实际需求也提出了不同的关键节点识别方法，度中心性(Degree Centrality，DC)，介数中心性(Betweenness Centrality，BC)，接近中心性(Closeness Centrality，CC)，K
‑
shell分解法(Ks)等是较为常用的经典算法，在这些算法中，节点的中心性值越大，表示该节点越重要。近几年的研究尝试从不同的角度来描述网络中的重要节点，一是用多属性评价方法来综合不同的节点中心性指标，如Zhang等综合考虑H指数、接近中心性、K
‑
shell指标和网络约束系数，提出一种基于评价因子赋权(Criteria Importance Though Intercrieria Correlation，CRITIC)方法的多属性网络决策指标，该方法从多个角度整合网络属性信息，具有更稳定的度量效果(Zhang Yongheng,Lu Yuliang,Yang Guozheng,el al.Multi
‑
Attribute Decision Making Method for Node Importance Metric in Complex Network.Applied Sciences,2022,12(4):1
‑
14)。二是在已有的经典算法的基础上定义一种新的节点评价指标方法，如Rahul等定义了图傅里叶变换中心性(Graph Fourier Transform Centrality，CFT
‑
C)来量化复杂网络中节点的重要性(Rahul Singh,Abhishek Chakraborty,B.S.Manoj.GFT centrality:A new node importance measure for complex networks.Physica A:Statistical Mechanics and its Applications,2017,487:185
‑
195)。三是引入机器学习方法来识别有影响力的节点，如Asgharian等提出一种基于机器学习的数据驱动的重要节点识别算法，克服了以往启发
式算法的性能局限性(Asgharian Rezaei Ahmad,Munoz Justin,Jalili Mahdi,et al.A machine learning
‑
based approach for vital node identification in complex networks.Expert Systems With Applications,2023,214)。四是考虑节点的局部信息或全局信息来识别网络中的重要节点，如Li等受万有引力的启发，以节点的度为质量，节点间的最短路径为距离，提出一种重力中心性(Gravity Centrality，GC)模型(Zhe Li,Tao Ren,Xiaoqi Ma,et al.Identifying influential spreaders by gravity model.Scientific Reports,2019,9(1):1
‑
7)。
[0005]前述研究表明，基于不同角度所提出的复杂网络关键识别节点算法在应用时都可以较好量化节点的重要性，并取得了较为准确的效果，但也存在一些不足，主要归纳为以下三个方面：
[0006](1)重复计算导致算法的计算复杂度较高，尤其是就大规模网络而言，会耗费更多的计算资源和时间。
[0007](2)算法的适用范围较小，一些启发式算法在小样本网络或节点稀疏的网络可能会表现不佳。
[0008](3)单一考虑节点的局部信息或全局信息可能无法描述节点在网络中的真实影响力。
[0009]因此，很有必要在现有技术的基础之上，研究设计一种能准确、高效，识别更为精准的复杂网络关键节点识别的新方法。

技术实现思路

[0010]本专利技术的目的是：旨在提供一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，用于解决
技术介绍
中提出的问题。
[0011]为实现上述技术目的，本专利技术采用的技术方案如下：
[0012]一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，包括以下步骤：
[0013](1)获取节点的信息熵IE；
[0014](2)计算节点所有邻居节点的度值，获取节点的邻域信息熵NEI；
[0015](3)计算节点间的有效距离d(i,j)；
[0016](4)计算节点的全局影响力GI；
[0017](5)最终得到每个节点的最终影响力值FI。
[0018](6)给所有节点的FI值进行排序，FI值最高的为关键节点。
[0019]进一步地，步骤(1)中所述计算节点所有邻居节点的度值，获取节点的邻域信息熵NEI，包括以下步骤：
[0020]1)获取拓扑网络G(V,E)的结构数据，其中所述网络G为无权无向网络，所述V是网络中所有节点集，所述E表示网络中的所有连接集；
[0021]2)计算节点i的邻居节点j对节点i能力的贡献率P(j)，计算方式如下：
[0022][0023]其中，Γ
i
表示节点i的邻居节点集合，k
j
表示节点j的度。
[0024]3)计算节点i的信息熵IE，计算方式如下：
[0025][0026]进一步地，步骤(2)中所述计算节点所有邻居节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，其特征在于，包括：(1)获取节点的信息熵IE；(2)计算节点所有邻居节点的度值，获取节点i的邻域信息熵NEI；(3)计算节点间的有效距离d(i,j)；(4)计算节点的全局影响力GI；(5)最终得到每个节点的最终影响力值FI。(6)给所有节点的FI值进行排序，FI值最高的为关键节点。2.根据权利要求1所述的基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，其特征在于，步骤(1)中所述计算节点所有邻居节点的度值，获取节点的邻域信息熵NEI，包括以下步骤：1)获取拓扑网络G(V,E)的结构数据，其中所述网络G为无权无向网络，所述V是网络中所有节点集，所述E表示网络中的所有连接集；2)计算节点i的邻居节点j对节点i能力的贡献率P(j)，计算方式如下：其中，Γ
i
表示节点i的邻居节点集合，k
j
表示节点j的度。3)计算节点i的信息熵IE，计算方式如下：3.根据权利要求1所述的基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法，其特征在于，步骤(2)中所述计算节点所有邻居节点的度值，获取节点i的邻域信息熵NEI，包括以下步骤：1)计算节点i所有邻居节点的度值之和，计算方式如下：其中，k
j
表示节点j的度。2)计算节点的邻域信息熵NEI，计算方式如下：4...

【专利技术属性】
技术研发人员：张正勇，姜敏勤，杨钰，沙敏，张寅升，王海燕，
申请(专利权)人：南京财经大学，
类型：发明
国别省市：