论文部分内容阅读
21世纪是复杂性科学的世纪,以复杂网络最为典型。受益于移动互联网、物联网技术的快速发展,网络大数据应运而生且增势迅猛。目前,节点的影响力度量标准多样化,度量方法的研究也各不相同。因基于网络局部拓扑结构的方法有较低的计算复杂性,本文重点关注于此。考虑到当下这类方法的准确性并不乐观,本文在集体影响中心性的基础上,融合了节点的邻域的鲁棒性、度均衡性以及簇间连接强度等局部信息,针对网络传播和病毒控制两种任务分别提出了相应的影响力度量方法,良好地实现了方法准确性和时间复杂度的兼顾。之后,将关注重心从节点层面延伸至网络层面,对影响力节点组的挖掘进行研究。针对现有的启发式算法普遍精度偏低这一问题,本文基于所提的影响力度量方法,创新性提出高效的选点策略,并同样以任务为区分,设计出可调节的基于局部集体影响自适应的影响最大化算法。全文主要工作概述如下:(1)从病毒控制的角度提出了融合邻域鲁棒性、度均衡性和簇间连接强度的集体影响中心性方法NewCI。基于针对局部树状网络而提出的集体影响中心性,本文考虑了节点的局部邻域信息,对其进行修正,设计出NewCI,实现对节点影响力更为准确的度量以及方法普适性的进一步推广。在人工数据集和真实的复杂网络数据集中的实验结果表明,与各中心性方法相比,该方法与介数中心性方法展示出最佳的性能。综合考虑时间复杂度以及执行效率,NewCI方法均优于其他的中心性方法。(2)从网络传播角度提出基于邻域鲁棒性的集体影响中心性影响力度量方法NewCI~+。基于集体影响中心性,本文考虑了节点的邻域鲁棒性,对其进行修正,设计出在网络传播中更为适用的度量方法NewCI~+。并通过在真实复杂网络数据集中进行实验,表明了NewCI~+方法与接近度中心性方法表现最好。综合考虑时间复杂度以及执行效率,NewCI~+方法同样优于其他的中心性方法。(3)基于影响力度量方法NewCI~+,设计出可调节的局部领袖节点选取策略下的自适应集体影响最大化算法LNewCI~+-ARIM。考虑到CIM算法所利用的集体影响中心性对节点的影响力衡量不够准确、选点策略的效率较低,且存在一定程度的传播重叠现象等不足,本文将其进行改进,针对网络传播,提出了新的影响最大化算法LNewCI~+-ARIM。该算法在影响力节点度量中采用第三章所提出的NewCI~+方法,同时在影响力节点的选择策略上,较CIM算法有所调整。多个真实数据集上的传播能力实验表明,LNewCI~+-ARIM算法在精度和时间复杂度上能够取得良好的平衡。(4)基于影响力度量方法NewCI,设计出可调节的局部领袖节点选取策略下的自适应集体影响最大化算法LNewCI-ARIM。通过替换CIM算法中的影响力度量方法为NewCI,调整选点策略与(3)相同,提出了针对病毒控制任务的影响最大化算法LNewCI-ARIM,并通过网络破坏性实验证明了该算法的有效性。