共被期刊论文引用了2次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 融合深度学习模型的时序网络重要节点识别方法研究显示文摘针对传统网络重要节点识别方法中数据获取成本高、数量和来源等具有局限性等问题,提出一种融合深度学习模型的时序网络重要节点识别方法。基于Workspace数据集,首先根据相关性系数选取合适的特征组合作为模型输入,构建基于深度学习的节点排序模型,再将其与传统基于层间相似度方法得到的节点排序共同作为输入,通过构建线性模型加权得到最终的节点重要性排名。通过对比序列间的肯德尔相关系数,证明相比单一使用基于层间相似度的方法,通过融合深度学习模型得到节点重要性排名,Kendall'sτ系数平均值能提升到52.01%,其不仅可更准确地挖掘出时序网络中的重要节点,而且能够有效改善传统层间相似度方法在时序网络序列中后期识别准确率大幅下降的问题。 | 黄娟 郭强 刘建国 | 2021 | 软件导刊2021，20，8： | 1 |
| 2 | 一种用于识别复杂网络节点影响力的平均边-距离贡献度方法显示文摘如何准确且有效地识别网络中有影响力的节点一直以来都是一个核心问题.为了评估节点的重要性,一些著名的中心性算法已经被提出并得到了广泛的应用.然而,这些方法仍存在一定的缺点.为了能有效地找出网络中有影响力的节点,该文提出了一种新的方法,它被命名为平均边-距离贡献度方法(average edge-distance contribution,简称为AEDC),此方法测量了每条边对于网络中所有节点对距离之和的贡献程度.针对网络中的每个节点,该文从网络中移除它并利用该节点引起的AEDC的相对变化量来决定此节点的影响力大小.为了验证该文提出的AEDC方法的可行性和有效性,使用易感态-感染态-恢复态(SIR)模型模拟了疾病在4个真实的复杂网络上的传播过程.实验结果表明,在识别节点影响力方面,该文所提出的方法比其他几种基准中心性方法更为准确. | 谭哲伦 喻祖国 | 2020 | 湘潭大学学报(自然科学版)2020，42，4： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员