• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

一种基于欧文值的社交网络关键节点问题算法。

An algorithm for critical nodes problem in social networks based on Owen value.

作者信息

Wang Xue-Guang

机构信息

Department of Computer Science, East China University of Political Science and Law, Shanghai 201620, China ; Department of Computer Science, University College London (UCL), London WC1E 6BT, UK.

出版信息

ScientificWorldJournal. 2014;2014:414717. doi: 10.1155/2014/414717. Epub 2014 Apr 10.

DOI:10.1155/2014/414717
PMID:25006592
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC4065649/
Abstract

Discovering critical nodes in social networks has many important applications. For finding out the critical nodes and considering the widespread community structure in social networks, we obtain each node's marginal contribution by Owen value. And then we can give a method for the solution of the critical node problem. We validate the feasibility and effectiveness of our method on two synthetic datasets and six real datasets. At the same time, the result obtained by using our method to analyze the terrorist network is in line with the actual situation.

摘要

发现社交网络中的关键节点有许多重要应用。为了找出关键节点并考虑社交网络中普遍存在的社区结构，我们通过欧文值获得每个节点的边际贡献。然后我们可以给出一种解决关键节点问题的方法。我们在两个合成数据集和六个真实数据集上验证了我们方法的可行性和有效性。同时，使用我们的方法分析恐怖主义网络所得到的结果与实际情况相符。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/e019f1dbd044/TSWJ2014-414717.alg.003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/46ddf7a2ee24/TSWJ2014-414717.001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/6f171ea22d7c/TSWJ2014-414717.002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/d3affc0e84e7/TSWJ2014-414717.003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/e69db3f044bb/TSWJ2014-414717.004.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/46a33466bf70/TSWJ2014-414717.alg.001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/28158956c2e4/TSWJ2014-414717.alg.002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/e019f1dbd044/TSWJ2014-414717.alg.003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/46ddf7a2ee24/TSWJ2014-414717.001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/6f171ea22d7c/TSWJ2014-414717.002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/d3affc0e84e7/TSWJ2014-414717.003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/e69db3f044bb/TSWJ2014-414717.004.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/46a33466bf70/TSWJ2014-414717.alg.001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/28158956c2e4/TSWJ2014-414717.alg.002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/38a6/4065649/e019f1dbd044/TSWJ2014-414717.alg.003.jpg

相似文献

1
An algorithm for critical nodes problem in social networks based on Owen value.一种基于欧文值的社交网络关键节点问题算法。
ScientificWorldJournal. 2014;2014:414717. doi: 10.1155/2014/414717. Epub 2014 Apr 10.
2
MATI: An efficient algorithm for influence maximization in social networks.MATI：一种用于社交网络中影响最大化的有效算法。
PLoS One. 2018 Nov 1;13(11):e0206318. doi: 10.1371/journal.pone.0206318. eCollection 2018.
3
Identifying and quantifying potential super-spreaders in social networks.识别和量化社交网络中的潜在超级传播者。
Sci Rep. 2019 Oct 15;9(1):14811. doi: 10.1038/s41598-019-51153-5.
4
Identifying Influential Nodes Using a Shell-Based Ranking and Filtering Method in Social Networks.基于外壳的排名和过滤方法在社交网络中识别有影响力的节点。
Big Data. 2021 Jun;9(3):219-232. doi: 10.1089/big.2020.0259. Epub 2021 May 21.
5
Maximizing multiple influences and fair seed allocation on multilayer social networks.最大化多层社交网络上的多重影响和公平种子分配。
PLoS One. 2020 Mar 12;15(3):e0229201. doi: 10.1371/journal.pone.0229201. eCollection 2020.
6
A latent parameter node-centric model for spatial networks.用于空间网络的潜在参数以节点为中心的模型。
PLoS One. 2013 Sep 23;8(9):e71293. doi: 10.1371/journal.pone.0071293. eCollection 2013.
7
Identifying Influential Nodes in Social Networks: Exploiting Self-Voting Mechanism.识别社交网络中的影响力节点：利用自我投票机制。
Big Data. 2023 Aug;11(4):296-306. doi: 10.1089/big.2022.0165. Epub 2023 Apr 19.
8
The interplay between ranking and communities in networks.网络中排名和社区的相互作用。
Sci Rep. 2022 May 30;12(1):8992. doi: 10.1038/s41598-022-12730-3.
9
On the Detection of Overlapped Network Communities via Weight Redistributions.通过权重再分配检测重叠网络社区。
Adv Exp Med Biol. 2017;988:205-214. doi: 10.1007/978-3-319-56246-9_16.
10
A novel clustering algorithm for mobile ad hoc networks based on determination of virtual links' weight to increase network stability.一种基于确定虚拟链路权重以提高网络稳定性的移动自组织网络新型聚类算法。
ScientificWorldJournal. 2014;2014:432952. doi: 10.1155/2014/432952. Epub 2014 Apr 30.

本文引用的文献

1
Functional cartography of complex metabolic networks.复杂代谢网络的功能制图
Nature. 2005 Feb 24;433(7028):895-900. doi: 10.1038/nature03288.
2
Finding community structure in very large networks.在超大型网络中寻找社区结构。
Phys Rev E Stat Nonlin Soft Matter Phys. 2004 Dec;70(6 Pt 2):066111. doi: 10.1103/PhysRevE.70.066111. Epub 2004 Dec 6.
3
Emergence of scaling in random networks.随机网络中幂律分布的出现。
Science. 1999 Oct 15;286(5439):509-12. doi: 10.1126/science.286.5439.509.
4
Collective dynamics of 'small-world' networks.“小世界”网络的集体动力学
Nature. 1998 Jun 4;393(6684):440-2. doi: 10.1038/30918.