社交网络节点中心性测度

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (5): 116-120.

社交网络节点中心性测度

刘欣，李鹏，刘璟，王娅丹

1.武汉科技大学计算机科学与技术学院，武汉 430065
2.智能信息处理与实时工业系统湖北省重点实验室，武汉 430065

出版日期:2014-03-01 发布日期:2015-05-12

Centrality for nodes in social networks

LIU Xin, LI Peng, LIU Jing, WANG Yadan

1.College of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan 430065, China
2.Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System, Wuhan 430065, China

Online:2014-03-01 Published:2015-05-12

摘要/Abstract

摘要： 研究节点影响力以及扩大节点影响力的范围在社交网络传播中具有重大意义。为了综合分析节点自身影响力与其潜在影响力，提出了PPI（Personal-Potential Influence，PPI）算法，用介数中心性值，紧密中心性值及k-shell值加权来评估节点自身影响力，再通过节点间的相互影响来评估其潜在影响力。实验结果表明PPI算法在评估节点影响力上有较好的准确性。

关键词: 节点影响力, 响力最大化, 社交网络, 重要节点, 中心性

Abstract: In social networks, investigating node influence and influence maximization is an important issue and attracts great interest in the research community. In order to analyze its personal influence and potential influence, it proposes a Personal-Potential Influence（PPI） algorithm, which evaluates the weight of its k-shell, closeness centrality and betweenness centrality by considering the strength of relationship between nodes. The experimental results show that PPI has the higher accuracy in node influence and outperforms other algorithms.

Key words: node influence, influence maximization, social network, key node, centrality

刘欣，李鹏，刘璟，王娅丹. 社交网络节点中心性测度[J]. 计算机工程与应用, 2014, 50(5): 116-120.

LIU Xin, LI Peng, LIU Jing, WANG Yadan. Centrality for nodes in social networks[J]. Computer Engineering and Applications, 2014, 50(5): 116-120.

[1]	崔增乐，钱晓东. 区块链社交网络信息传播模型的优化研究[J]. 计算机工程与应用, 2021, 57(7): 59-69.
[2]	孟祥福，王丹丹，张峰. 空间关键字查询综述[J]. 计算机工程与应用, 2021, 57(20): 13-24.
[3]	陈淑娟，徐雅斌. 面向主题社团的意见领袖挖掘方法[J]. 计算机工程与应用, 2021, 57(2): 156-163.
[4]	王英博，孙永荻. 基于GNN的矩阵分解推荐算法[J]. 计算机工程与应用, 2021, 57(19): 129-134.
[5]	卫鼎峰，李梁，柴晶. 融合物品信息的社会化推荐算法[J]. 计算机工程与应用, 2021, 57(19): 198-204.
[6]	顾军华，陈博，王锐，张素琪. 结合重要节点信任传播的社会化推荐算法[J]. 计算机工程与应用, 2021, 57(17): 190-195.
[7]	夏英，张金凤. 融合社交关系和局部地理因素的兴趣点推荐[J]. 计算机工程与应用, 2021, 57(15): 133-139.
[8]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[9]	李维勇，孔枫，张伟，陈云芳. 节点传播能力的偏好随机行走的信息传播方法[J]. 计算机工程与应用, 2020, 56(24): 123-129.
[10]	林倩茹，王博，刘云清，刘小煜，刘威鹏. 基于民调与网民情感倾向性的选情预测模型[J]. 计算机工程与应用, 2020, 56(24): 130-136.
[11]	赵亮，陈平华，廖威平. 融合社交网络用户潜在因子的社会化推荐[J]. 计算机工程与应用, 2020, 56(24): 169-174.
[12]	朴杨鹤然，崔晓晖. 社交网络中用户隐私推理与保护研究综述[J]. 计算机工程与应用, 2020, 56(19): 1-12.
[13]	方劲皓，钱晓东. 改进的SCIR模型中社交网络信息传播研究[J]. 计算机工程与应用, 2020, 56(19): 105-113.
[14]	张昕，郭阳. 复杂网络中的一种介度熵抗毁性度量方法[J]. 计算机工程与应用, 2020, 56(12): 105-111.
[15]	李全，许新华，刘兴红，林松. 基于LBSN动态异构网络的时间感知兴趣点推荐[J]. 计算机工程与应用, 2020, 56(11): 67-74.