Identification of Important Nodes in Multilayer Heterogeneous Networks Incorporating Multirelational

原创已于 2025-10-17 20:18:48 修改 · 662 阅读

16 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#网络

于 2025-10-17 20:15:17 首次发布

Identification of Important Nodes in Multilayer Heterogeneous Networks Incorporating Multirelational Information

融合多关系信息的多层异质网络节点重要性识别

作者想解决的问题是：

在复杂多层网络（比如作者–论文–关键词这种）里，怎么找到最重要的节点？

背景

现实世界的网络往往不是“一层”的。

举例	层
学术网络	作者层、论文层、关键词层
社交媒体	用户层、帖子层、话题层
生物网络	基因层、蛋白层、疾病层

这些层之间有不同类型的关系，而且会互相影响。
比如：

两个论文共享关键词 → 说明主题相近；
两个作者共同发论文 → 说明合作紧密；
作者与关键词连接 → 说明研究兴趣。

👉 如果只看一层（比如作者网络），就丢掉了跨层信息，识别重要节点的结果会失真。

作者的目标

构建一种新算法（叫 MLC）来衡量多层异质网络中节点的重要性。
它要能同时考虑：

-每层内部的重要性；

不同层之间的影响关系。

算法的步骤

第一步：层内重要性（ILC）

看每一层自己内部，谁更重要。

比如在“作者层”中，谁跟更多人合作？
在“关键词层”中，哪个关键词连接更多论文？

作者用了两个指标：

K-shell（看节点在核心圈的层数）
越靠中心，越重要。
Betweenness 中介中心性（看节点在多少最短路径上）
越多路径经过，说明它越关键。

两者相加 → 得到节点在该层的综合重要性 $ILCα(v)ILC^{\alpha}(v)$
第二步：跨层影响权重（ω）

现在要看：
一层（比如关键词层）对另一层（比如论文层）影响有多大？

作者的想法：

如果两个层之间“连接很紧密”，说明影响力大。

例如：

某个论文层节点连着很多关键词 → 关键词层对论文层影响大；
某个关键词几乎没人引用 → 影响小。

作者用一种“跨层共同邻居”算法来量化这种影响，算出一个数：
$ωα→β\omega_{\alpha \rightarrow \beta}$
意思是“α 层对 β 层的重要性影响系数”。

第三步：跨层传递与融合（MLC）

最后，把所有辅助层的信息传回核心层（论文层），形成最终的重要性分数。

直觉上：

论文的重要性 = 它连接的关键词有多重要 + 它连接的作者有多重要
（每部分还要乘上该层的影响权重 ω）

公式长这样：
$\sum_{\alpha} \omega_{\alpha \to \beta} \cdot \sum_{x \in N_{\alpha}(v)} ILC^{\alpha}(x)$

公式解析：

综合重要性得分
MLC(v)：节点v在多层异质网络中的综合重要性得分
层求和符号
$ \sum_\limits{\alpha} $：对所有层$ \alpha $进行求和
层间影响权重
$ \omega_{\alpha\to\beta} $：从层$ \alpha $到层$ \beta $的层间影响权重
邻居节点求和
$ \sum_{x\in N_{\alpha}(v)} $：对节点 v 在层$ \alpha $中的所有邻居节点x进行求和
层内重要性得分
ILC$ ^{\alpha} $(x) ：节点 x 在层$ \alpha $内的重要性得分

也就是：

每层的贡献 × 跨层影响系数；再把各层加起来。

实现过程

论文拿了一个DBLP 学术网络（作者–论文–关键词），分了 5 个时间段（2000–2019），然后：

用 MLC 算每个节点的重要性；

拿其他传统方法（度中心性、介数中心性、PageRank）做对比；

用 SIR 传播模型（像疫情扩散）测试：谁传播得快、覆盖面大，谁更“重要”。

结果：

MLC 算法在 5 个时间段上都表现最好，传播范围最大。

在这里插入图片描述这张图是论文方法的一个直观的例子，它画的是一个三层异质引文网络的示例，三层分别为：关键词层、论文层和作者层三层之间的连线分为两种：同边层（如作者–作者合作、论文–论文引用、关键词–关键词共现）和跨边层（如作者–论文、论文–关键词），在真实网络中，节点不仅在自己那层互联（比如作者之间互联），还通过跨层边连接到其他类型节点。
识别“重要节点”时必须同时考虑这些多层+多关系信息，而不能只在单层网络里计算中心性。
在这里插入图片描述

这是论文最核心的实验图。
它包含五个子图：