.png){kind=icon}
返回
A multi-dimensional eigenvector and cycle ratio model for identifying important nodes
.png){kind=icon}
PRE
AI
DOI：10.1080/17445760.2025.2594043.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如何识别影响节点是一个开放性问题。循环比（cycle ratio），用于反映循环的动态角色，旨在衡量节点的重要性。然而，仅依赖循环比这一维度的测量方法会产生不可靠的结果。对于复杂网络，即使节点具有相同的循环比，由于其独特的连接方式和位置，它们对网络的实际影响存在显著差异。通过将循环比视为引力模型（gravity model）中的节点质量，并使用节点的最大特征向量作为权重以反映全局影响力，我们提出了一种多维特征向量与循环融合的引力模型（ECGM）。ECGM模型通过结合节点邻接数、连接特性以及整合局部与全局信息，实现了对网络节点重要性的准确识别。在六种真实网络上的SIR和Kendall's Tau仿真实验表明，ECGM算法的弹性优于经典算法和引力模型，这一优势体现在各项实验指标中。
Keyword:
Complex network
node importance
cycle ratio
gravity model
期刊
I
IF:
0.7
论文数:
50
被引数:
266
机构
引用论文
Locating the propagation source in complex networks with observers-based similarity measures and direction-induced search.png)
SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏Structure and dynamics of molecular networks: A novel paradigm of drug discovery A comprehensive review分子网络的结构和动力学: 药物发现的新范例OAAI
OAAI分享收藏
查看更多内容