科研之友
微信
新浪微博
Facebook
分享链接
摘要
复杂网络理论已被广泛应用于各个领域，节点重要性排序研究是复杂网络领域的重要分支。复杂网络中节点重要性排序及重要节点挖掘对分析和理解复杂网络的结构与功能具有重要意义。众多学者针对复杂网络的关键节点识别和节点重要性排序问题进行了深入研究，取得了大量研究成果。但随着人工智能的发展和数据体量的飞速增长，复杂网络规模呈指数级增长，传统算法的准确性和泛化性已经无法满足现实需求。文中基于节点的二阶邻域信息，提出了一种基于子图特征的节点重要性排序（Subgraph Feature Extraction Rank,SFE Rank）的机器学习模型。利用二阶邻域信息，建立局部子图的含权邻接矩阵，通过矩阵特征分解提取能够有效反映节点局部特征信息的向量表征，在此基础上，建立机器学习模型，用于学习节点子图特征向量和节点重要性的关联关系。在9个真实网络上进行实验，结果表明，相比已有的节点重要性排序方法，所提方法具有更优的排序效果和更好的泛化性能。
- 出版日期2023
- 单位电子科技大学
