基于光衰减模型的关键节点提取方法、装置及计算机设备

本发明属于数据处理，具体涉及一种基于光衰减模型的关键节点提取方法、装置及计算机设备。

背景技术：

1、现实世界中复杂的系统可以用复杂网络形式表示，识别复杂网络中的关键节点能够使本发明更有效的解决现实世界中的问题。研究者把复杂系统中的研究对象描述为节点(vertex)，把对象之间的关系描述为边(edge)，以此来构建复杂网络。例如，基因及基因之间的相互作用可以描述为基因网络；航空系统中的始发地、目的地和航班可以描述为航空网络；公路交通系统中的站点与站点之间的道路可以描述为公路网络；电力系统中的发电机、变压器及他们之间的线路可以描述为电力网络。这些复杂网络包含了很多个节点，其中能够在很大程度上决定网络的结构与功能的一些特殊节点就是关键的节点。准确发掘、识别复杂网络中的关键节点，可以帮助人们更好地控制和利用复杂网络，如通过对基因网络中的关键节点识别分析，可以帮助人们筛选出治病基因；通过对航空网络中关键节点的识别分析，可以帮助航空公司优化航空资源的配置，提高飞行效率。通过对公路网络关键节点的识别分析，可以帮助人们更好的规划建设城市道路。通过对电力网络关键节点的识别分析，可以帮助人们预防大规模停电事件。通过对计算机网络中关键节点的识别分析，可以帮助工程师完善网络性能，提高网络的抗毁性。因此，在复杂网络领域，关键节点的识别方法一直是研究的热点，关键节点的识别具有重要的意义。

2、近几十年来，人们提出了多种方法来识别复杂网络中的关键节点，其中，最常用的方法是中心性度量方法。中心性度量方法就是通过网络的属性信息来计算节点的影响值。在复杂网络中，一个节点直接连接邻居节点的数量称为度，直接连通或经过其他节点连通两个节点的最少边数称为最短距离。从网络属性的角度，中心性度量方法可以分为基于邻域的、基于距离的和基于特征向量的。基于邻域的中心性度量方法通过邻居节点的信息计算节点的影响值，如度中心性和k-shell分解法等，该类方法仅使用了最局部的信息，计算时间复杂度低，适合应用于大规模网络，但也因为仅使用了最局部的信息，所以有时该类方法识别精度不高。基于最短路径的中心性度量方法通过两个节点之间的最短路径信息来计算节点的影响值，如接近中心性和介数中心性等，该类方法使用了全局信息，识别关键节点的效果较好，但时间复杂度较高，有时在大规模网络中无法得到结果。基于特征向量的中心性度量方法从邻居节点的数量和质量两个方面计算节点的影响值。因为该方法使用了较多节点属性，所以，基于特征向量的中心性度量方法具有较高的准确性。然而，当网络中存在度值较大的节点时，高影响值会集中在这些节点上，而其它节点的影响值得区分度就很低。

技术实现思路

1、为了解决现有网络中关键节点难区分的问题，本发明提供了一种基于光衰减模型的关键节点提取方法、装置及计算机设备。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于光衰减模型的关键节点提取方法，包括以下步骤：

4、将网络节点划分为多层，并对每个节点进行编号；

5、计算每个节点的综合影响值；

6、将所有节点的综合影响值从大到小进行排序，综合影响值最大的节点为关键节点；

7、所述计算每个节点的综合影响值，具体包括：

8、根据节点vi的度值和ks值计算节点vi的自身影响值；

9、根据节点vi的二阶邻域节点vj的度值、ks值，以及节点vi到节点vj的最短距离，借助光衰减模型lam计算得到二阶邻域内节点vj对节点vi的影响值贡献；其中，i、j均表示网络中节点的编号；

10、将节点vi的自身影响值和二阶邻域内节点vj对节点vi的影响值贡献相结合，计算得到节点vi的综合影响值。

11、优选地，根据网络中每个节点的连边数计算节点的度值deg(vi)。

12、优选地，采用k-shell方法将网络中的节点分层，得到每个节点的ks值；根据每个节点的ks值求出网络的最大ks值maxks，具体为：

13、选择度值为1的节点，删掉其连边；

14、继续选择度值为1的节点并删掉其连边，直到网络中不存在度值为1的节点，被删除连边的节点的ks值为1，位于网络的第一层；

15、选择度值为2的节点，删掉其连边，继续选择度值小于或等于2的节点并删掉其连边，直到网络中不存在度值小于或等于2的节点，被删除连边的节点的ks值为2，位于网络的第二层；

16、以此类推，重复上述过程确定每个节点的ks值ks(vi)；

17、根据ks值确定网络划分的最大层数maxks。

18、优选地，所述根据节点vi的度值和ks值计算节点vi的自身影响值，具体为：

19、选择网络中一个节点vi，将节点vi的度值deg(vi)和ks值ks(vj)相加，计算出其和作为节点的自身影响值p(vi)，具体计算公式为：

20、ρ(vi)＝deg(vi)+ks(vi)

21、式中，p(vi)为节点vi的自身影响值，deg(vi)为节点vi的度值，ks(vi)为节点vi的ks值。

22、优选地，如果节点vi的度值为0，将节点vi的综合影响值设置为0，然后选择其他节点。

23、优选地，所述节点vi到节点vj的最短距离计算公式为：

24、dis(vi,vj)＝min(|path(vi,vj)|)

25、式中，|path(vi,vj)|表示节点vi到节点vj之间路径包含边的数量，(vi,vj)表示节点vi到节点vj的边。

26、优选地，所述根据节点vi的二阶邻域节点vj的度值、ks值，以及节点vi到节点vj的最短距离，借助光衰减模型lam计算得到二阶邻域内节点vj对节点vi的影响值贡献，具体为：

27、选择一个节点vj，节点vj到节点vi的最短距离小于或等于2；

28、计算二阶邻域内节点vj对节点vi的影响值贡献con(vj)，具体计算公式：

29、

30、式中，deg(vj)表示节点vj的度值，(vi,vj)表示节点vi到vj的边，ks(vj)表示节点vj的ks值，maxks表示网络的最大层数，|ks(vi)-ks(vj)|表示节点vi到节点vj位置相差的绝对值；

31、计算二阶邻域内所有节点对vi的影响值贡献和π(vi)；

32、

33、优选地，所述将节点vi的自身影响值和二阶邻域内节点vj对节点vi的影响值贡献相结合，计算得到节点vi的综合影响值，具体为：

34、通过π(vi)/(nums-1)进行归一化处理，得到节点vi的综合影响值i(vi)：

35、i(vi)＝p(vi)+π(vi)/(nums-1)

36、式中，nums为网络中节点的总个数。

37、本发明还提供一种基于光衰减模型的关键节点提取装置，包括：

38、网络划分模块，用于将网络节点划分为多层，并对每个节点进行编号；

39、影响值计算模块，用于计算每个节点的综合影响值；

40、关键点确认模块，用于将所有节点的综合影响值从大到小进行排序，综合影响值最大的节点为关键节点；

41、所述影响值计算模块具体包括：

42、节点自身影响值计算模块，用于根据节点vi的度值和ks值计算节点vi的自身影响值；

43、节点影响值贡献计算模块，用于根据节点vi的二阶邻域节点vj的度值、ks值，以及节点vi到节点vj的最短距离，借助光衰减模型lam计算得到二阶邻域内节点vj对节点vi的影响值贡献；其中，i、j均表示网络中节点的编号；

44、节点综合影响值计算模块，用于将节点vi的自身影响值和二阶邻域内节点vj对节点vi的影响值贡献相结合，计算得到节点vi的综合影响值。

45、同时，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行上述基于光衰减模型的关键节点提取方法的步骤。

46、本发明提供的基于光衰减模型的关键节点提取方法具有以下有益效果：

47、本发明提出通过节点的自身影响值和邻域节点的影响值贡献来计算节点的影响值。节点自身影响值从局部和全局的角度来考虑，不仅融入了节点的度，而且还融入了节点在网络中的位置信息。在计算邻域节点的影响值贡献时，本发明融入了二阶邻域节点的信息，这样即降低了计算的时间复杂度，又提高了算法的精度。同时引入了光衰减模型，邻域节点的影响值贡献随着距离的增大而减小，以此增加邻居节点贡献的区分度。