.png){kind=icon}
返回
A comparative study of methods for measuring node influence in complex networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111088.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别复杂网络中的影响节点因其应用于从病毒式营销到流行病和行为分析等多个领域而受到广泛关注。现有的大部分算法主要通过测量节点的传播能力来评估其影响力，涵盖从结构中心性指标到基于机器学习和图神经网络的方法。本研究首先对各种影响节点识别方法进行了全面综述，随后进行了广泛的比较分析。通过统一平台应用于多个标准真实网络，我们评估了这些方法的性能、预测准确性和计算成本。研究发现，没有任何单一算法能在所有网络类型中持续优于其他算法。尽管基于学习的方法，特别是图神经网络，通常能实现更高的预测准确性，但它们表现出较低的可解释性，并带来更高的计算成本。因此，选择合适的方法需要在复杂性与准确性之间取得平衡，并需根据具体应用场景进行定制。
Keyword:
Influence maximization
Computational complexity
Machine learning
Complex networks
Diffusion models
Influential nodes
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Enhanced influence detection in social networks using a covariance-based measure基于协方差测度的社会网络影响力增强检测.png)
OAAI
IF0
OAAI分享收藏分享收藏Identifying Influential Nodes in Large-Scale Directed Networks: The Role of ClusteringPLoS ONE
OAAI
PLoS ONEIF0
OAAI分享收藏Identification of Influential Nodes via Effective Distance‐based Centrality Mechanism in Complex NetworksComplexityOAAI
ComplexityIF0
OAAI分享收藏
查看更多内容