使用图神经网络预测影响概率我们提出的GCN被优化以预测影响概率：（1)在图卷积过程中考虑顶点和边缘特征，(2)我们的图卷积过程是考虑信息级联过程的，(3）子图的训练是增加可伸缩性的必要条件，而某些影响概率预测需要完整的邻域信息-存在训练速度和GPU内存需求与预测精度之间的权衡问题。 然而，我们的方法在理论上保证了了随机抽样子图的适当训练1、背景知识1.1 图卷积神经网络GCN（Graph Conv

Identifying influential nodes in Social Networks: Neighborhood Coreness based voting approach这是发表在pyhsica A上的一篇论文，作者都是来自Indian Institute of Technology Delhi的Sanjay Kumar和B.S. Panda。文章思路很简单，是基于VoteRank

基于特征选择和两步分类策略的证据分类器本文研究了利用信任函数从不确定数据中高效学习的方法，提出了一种由特征选择过程和两步分类策略组成的监督学习方法。 利用训练信息，提出特征选择过程通过最小化目标函数自动确定信息最丰富的特征子集。 提出的两步分类策略进一步提高了决策精度通过使用在分类过程中获得的互补信息。 在各种合成数据集和真实数据集上对该方法的性能进行了评价。1、背景知识1.1 信任函数1.2 E

使用图神经网络预测影响概率我们提出的GCN被优化以预测影响概率：（1)在图卷积过程中考虑顶点和边缘特征，(2)我们的图卷积过程是考虑信息级联过程的，(3）子图的训练是增加可伸缩性的必要条件，而某些影响概率预测需要完整的邻域信息-存在训练速度和GPU内存需求与预测精度之间的权衡问题。 然而，我们的方法在理论上保证了了随机抽样子图的适当训练1、背景知识1.1 图卷积神经网络GCN（Graph Conv

改进的TOPSIS算法-利用拉格朗日计算权重1 TOPSIS方法1981年由Yoon开发的TOPSIS方法尝试选择与正理想最大值具有最短距离，和负理想最大值有最远距离的候选方案。正理想最大值使效益评价准则最大化，使成本评价准则最小化，而负理想最大值使成本评价准则最大化，使效益评价准则最小化[9]。首先得到由候选方案和评价准则组成的决策矩阵，其中为第m个候选方案的第n个评价准则。对矩阵做归一化处理：

日常小工具，本人代码水平一般，只是存在这里当笔记。若正好有小伙伴用到，希望能帮助到你，如若有错误之处，欢迎批评指正。输入：图以及图中一个节点输出：该节点在图中的一阶，二阶，三阶邻居import networkx as nxdef find123Nei(G, node):nodes = list(nx.nodes(G))nei1_li = []nei2_li = []nei3_li = []for

基于改进的k-shell方法识别复杂网络中有影响力的重要节点K-Shell是一种有效的识别有影响的分散体的方法。 然而，K-Shell忽略了关于节点拓扑位置的信息。 本文提出了一种改进的算法基于K-Shell和节点信息熵IKS，从较高的壳层和较低的壳层中识别有影响的扩散器。1、背景知识设G(V,E)G(V,E)G(V,E)是一个无权无向图，N=∣V∣,M=∣E∣N=|V|,M=|E|N=∣V∣,M

因为个人工作需要系统地整理SI，SIR以及SEIR模型，故对三个模型进行原理介绍以及对比。文中关于SI，SIS，SIR的所有的截图都来自西工大肖华勇老师在慕课上的分享，原视频戳SEIRD模型则来自发表在SCI上的paper，想看原文戳。...

DISCO: Influence Maximization Meets Network Embedding and Deep Learning来自西电的一篇待发表的文章。之前的基于神经网络的工作都是用STR模型获取节点的标签，该文章认为这一行为是不够准确的。作为一个NP-hard问题，系欸但那的影响力标签是难以获取的。该文章思路很清晰，将IM问题转化为一个用神经网络求解参数的一个问题QQQ。通过e