- 科学出版社
- 9787030861931
- 1版
- B5
- 2026-06
作者简介
内容简介
本书立足于网络科学前沿，聚焦复杂网络重要节点识别这一核心命题，从理论模型、算法构建到应用验证进行系统性阐述。全书逻辑严密，沿着“由局部到全局、由绝对到相对”的研究脉络，层层递进，全面覆盖从经典度量到前沿探索的完整技术链条。书中不仅详细阐释节点重要性的多种评价指标与仿真模型，更结合Spon、DNC、KCH、KIDC、DDMF、CDBRWR等一系列创新算法案例，具体展现不同设计思想在提升准确性、鲁棒性与适用性方面的解决方案。通过在多类经典拓扑模型与真实网络数据集上的对比实验，客观验证各算法的性能与特点。
目录
目录
第1章 绪论 1
1.1 网络科学的发展与核心问题 1
1.1.1 从图论到复杂网络 1
1.1.2 现实世界中的复杂网络系统 1
1.2 重要节点识别的研究背景与意义 2
1.2.1 理论意义 2
1.2.2 现实意义 3
1.3 国内外研究现状及发展动态 4
1.3.1 基于结构信息的重要节点识别算法 4
1.3.2 基于投票机制的重要节点识别算法 4
1.3.3 基于引力模型的重要节点识别算法 5
1.3.4 基于随机游走的重要节点识别算法 5
1.3.5 基于深度学习的重要节点识别算法 6
1.4 本章小结 6
第2章 复杂网络基础与评价体系 8
2.1 复杂网络的基本统计特性 8
2.1.1 度与度分布 8
2.1.2 聚类系数与平均路径长度 9
2.1.3 介数与核数 10
2.2 经典网络拓扑模型 10
2.2.1 规则网络模型与随机网络模型 11
2.2.2 小世界网络模型 12
2.2.3 无标度网络模型 13
2.3 算法评价指标 13
2.3.1 基于传播动力学的验证模型 13
2.3.2 基于网络鲁棒性的压力测试 15
2.3.3 排序结果的相关性与一致性分析 16
2.4 本章小结 17
第3章 基于邻居比例和的重要节点识别方法 18
3.1 邻比和算法的构建 18
3.2 仿真实验与结果分析 20
3.2.1 实验数据集与基准算法选取 20
3.2.2 相关性实验 20
3.2.3 连通性实验 22
3.2.4 算法运行效率实验 24
3.2.5 敏感性分析 25
3.3 本章小结 27
第4章 基于度和邻域信息的度邻域中心性算法 28
4.1 DNC算法的构建 29
4.2 仿真实验与结果分析 31
4.2.1 实验数据集与基准算法选取 31
4.2.2 相关性实验 34
4.2.3 连通性实验 35
4.2.4 算法运行效率实验 38
4.2.5 单调性分析 40
4.2.6 在三个经典网络模型上的实验 43
4.3 本章小结 46
第5章 基于K-Shell算法和结构信息的重要节点识别方法 47
5.1 KCH算法的构建 47
5.2 仿真实验与结果分析 50
5.2.1 实验数据集与对比算法选取 50
5.2.2 相关性实验 51
5.2.3 单调性实验 53
5.2.4 鲁棒性实验 56
5.2.5 统计分析 58
5.3 本章小结 61
第6章 基于K壳信息度中心性的重要节点识别方法 62
6.1 KIDC算法的构建 63
6.2 仿真实验与结果分析 66
6.2.1 实验数据集与基准算法选取 66
6.2.2 肯德尔秩相关系数分析 67
6.2.3 Jaccard相似系数分析 68
6.2.4 敏感性分析 68
6.2.5 相关性分析 70
6.3 本章小结 72
第7章 相对重要节点挖掘：问题、框架与挑战 73
7.1 研究背景与意义 74
7.1.1 理论意义：拓展网络科学的研究范畴 74
7.1.2 现实意义：赋能精准化的应用实践 74
7.2 问题定义与研究框架 75
7.3 研究现状与本章内容 76
7.4 本章小结 76
第8章 基于距离分布和多指标融合的相对重要节点识别方法 77
8.1 DDMF算法的模型构建 77
8.1.1 距离分布 78
8.1.2 多指标融合 79
8.1.3 算法描述 82
8.2 仿真实验与结果分析 83
8.2.1 实验数据集与基准算法选取 83
8.2.2 仿真实验与结果分析 84
8.3 本章小结 86
第9章 基于社区发现和带重启的有偏随机游走的相对重要节点识别方法 87
9.1 CDBRWR算法的模型构建 87
9.1.1 社区发现 88
9.1.2 带重启的有偏随机游走 88
9.1.3 算法描述 90
9.2 实验设计与性能分析 91
9.2.1 数据集 91
9.2.2 实验分析 92
9.3 本章小结 96
第10章 基于网络嵌入和引力模型的相对重要节点挖掘方法 97
10.1 NEGM算法 97
10.1.1 网络嵌入 98
10.1.2 引力模型 99
10.1.3 算法描述 100
10.2 实验结果与分析 101
10.2.1 数据集 102
10.2.2 实验分析 102
10.3 本章小结 105
第11章 总结与展望 106
11.1 本书主要研究成果总结 106
11.1.1 基于局部邻域信息的快速识别算法 106
11.1.2 基于网络分层与位置结构的精细化识别算法 107
11.1.3 相对重要节点识别的范式拓展 107
11.2 算法综合比较与适用性指南 108
11.2.1 算法特性对比 108
11.2.2 性能维度对比 109
11.2.3 算法选择指南 109
11.2.4 算法组合策略 111
11.3 未来研究的挑战与方向 111
11.3.1 理论层面的深化与拓展 112
11.3.2 方法层面的创新与突破 112
11.3.3 应用层面的拓展与落地 114
11.4 本章小结 115
参考文献 116
第1章 绪论 1
1.1 网络科学的发展与核心问题 1
1.1.1 从图论到复杂网络 1
1.1.2 现实世界中的复杂网络系统 1
1.2 重要节点识别的研究背景与意义 2
1.2.1 理论意义 2
1.2.2 现实意义 3
1.3 国内外研究现状及发展动态 4
1.3.1 基于结构信息的重要节点识别算法 4
1.3.2 基于投票机制的重要节点识别算法 4
1.3.3 基于引力模型的重要节点识别算法 5
1.3.4 基于随机游走的重要节点识别算法 5
1.3.5 基于深度学习的重要节点识别算法 6
1.4 本章小结 6
第2章 复杂网络基础与评价体系 8
2.1 复杂网络的基本统计特性 8
2.1.1 度与度分布 8
2.1.2 聚类系数与平均路径长度 9
2.1.3 介数与核数 10
2.2 经典网络拓扑模型 10
2.2.1 规则网络模型与随机网络模型 11
2.2.2 小世界网络模型 12
2.2.3 无标度网络模型 13
2.3 算法评价指标 13
2.3.1 基于传播动力学的验证模型 13
2.3.2 基于网络鲁棒性的压力测试 15
2.3.3 排序结果的相关性与一致性分析 16
2.4 本章小结 17
第3章 基于邻居比例和的重要节点识别方法 18
3.1 邻比和算法的构建 18
3.2 仿真实验与结果分析 20
3.2.1 实验数据集与基准算法选取 20
3.2.2 相关性实验 20
3.2.3 连通性实验 22
3.2.4 算法运行效率实验 24
3.2.5 敏感性分析 25
3.3 本章小结 27
第4章 基于度和邻域信息的度邻域中心性算法 28
4.1 DNC算法的构建 29
4.2 仿真实验与结果分析 31
4.2.1 实验数据集与基准算法选取 31
4.2.2 相关性实验 34
4.2.3 连通性实验 35
4.2.4 算法运行效率实验 38
4.2.5 单调性分析 40
4.2.6 在三个经典网络模型上的实验 43
4.3 本章小结 46
第5章 基于K-Shell算法和结构信息的重要节点识别方法 47
5.1 KCH算法的构建 47
5.2 仿真实验与结果分析 50
5.2.1 实验数据集与对比算法选取 50
5.2.2 相关性实验 51
5.2.3 单调性实验 53
5.2.4 鲁棒性实验 56
5.2.5 统计分析 58
5.3 本章小结 61
第6章 基于K壳信息度中心性的重要节点识别方法 62
6.1 KIDC算法的构建 63
6.2 仿真实验与结果分析 66
6.2.1 实验数据集与基准算法选取 66
6.2.2 肯德尔秩相关系数分析 67
6.2.3 Jaccard相似系数分析 68
6.2.4 敏感性分析 68
6.2.5 相关性分析 70
6.3 本章小结 72
第7章 相对重要节点挖掘：问题、框架与挑战 73
7.1 研究背景与意义 74
7.1.1 理论意义：拓展网络科学的研究范畴 74
7.1.2 现实意义：赋能精准化的应用实践 74
7.2 问题定义与研究框架 75
7.3 研究现状与本章内容 76
7.4 本章小结 76
第8章 基于距离分布和多指标融合的相对重要节点识别方法 77
8.1 DDMF算法的模型构建 77
8.1.1 距离分布 78
8.1.2 多指标融合 79
8.1.3 算法描述 82
8.2 仿真实验与结果分析 83
8.2.1 实验数据集与基准算法选取 83
8.2.2 仿真实验与结果分析 84
8.3 本章小结 86
第9章 基于社区发现和带重启的有偏随机游走的相对重要节点识别方法 87
9.1 CDBRWR算法的模型构建 87
9.1.1 社区发现 88
9.1.2 带重启的有偏随机游走 88
9.1.3 算法描述 90
9.2 实验设计与性能分析 91
9.2.1 数据集 91
9.2.2 实验分析 92
9.3 本章小结 96
第10章 基于网络嵌入和引力模型的相对重要节点挖掘方法 97
10.1 NEGM算法 97
10.1.1 网络嵌入 98
10.1.2 引力模型 99
10.1.3 算法描述 100
10.2 实验结果与分析 101
10.2.1 数据集 102
10.2.2 实验分析 102
10.3 本章小结 105
第11章 总结与展望 106
11.1 本书主要研究成果总结 106
11.1.1 基于局部邻域信息的快速识别算法 106
11.1.2 基于网络分层与位置结构的精细化识别算法 107
11.1.3 相对重要节点识别的范式拓展 107
11.2 算法综合比较与适用性指南 108
11.2.1 算法特性对比 108
11.2.2 性能维度对比 109
11.2.3 算法选择指南 109
11.2.4 算法组合策略 111
11.3 未来研究的挑战与方向 111
11.3.1 理论层面的深化与拓展 112
11.3.2 方法层面的创新与突破 112
11.3.3 应用层面的拓展与落地 114
11.4 本章小结 115
参考文献 116
