复杂网络的影响力计算及应用

1 社交网络传播模型及影响概率计算
1.1 数据的获取和表示
1.1.1 数据的获取
1.1.2 公开的数据集及图可视化
1.2 社交网络的传播模型
1.2.1 独立级联模型
1.2.2 线性阈值模型
1.2.3 热量扩散模型
1.2.4 传染病模型
1.2.5 其他模型
1.3 传播概率计算
1.3.1 基于边影响概率的计算
1.3.2 基于节点隐空间向量表示的计算
1.4 本章小结
2 面向局部信息的影响力计算
2.1 引言
2.2 基于两阶段启发的影响力计算方法
2.2.1 算法设计
2.2.2 节点的影响力评估
2.2.3 实验环境及数据
2.2.4 实验结果及分析
2.3 基于三级邻居的影响力计算方法
2.3.1 三度影响原则
2.3.2 三级邻居方法
2.3.3 实验环境及数据
2.3.4 实验结果及分析
2.4 本章小结
3 面向全局信息的影响力计算
3.1 引言
3.2 基于割点的影响力求解及应用
3.2.1 基于割点的影响力计算
3.2.2 CVIM算法
3.2.3 实验数据及参数设置
3.2.4 实验分析
3.3 面向目标节点的影响力求解
3.3.1 基于独立级联模型的个性化影响*大化
3.3.2 基于热量传播模型的个性化影响*大化
3.3.3 实验数据及参数设置
3.3.4 实验分析
3.4 本章小结
4 面向多重信息的影响力计算
4.1 引言
4.2 信息对立下的影响*大化
4.2.1 基于热量传播模型的影响力计算
4.2.2 实验环境及数据
4.2.3 实验分析
4.3 符号网络下的积极影响力*大化
4.3.1 符号网络
4.3.2 符号网络下的影响力计算
4.3.3 实验数据集与参数设置
4.3.4 实验结果与分析
4.4 本章小结
5 基于级联数据的影响力计算
5.1 引言
5.2 融合活跃转发者的影响*大化
5.2.1 活跃转发者的影响
5.2.2 融合活跃转发者特征的神经网络模型
5.2.3 高影响力节点的选择
5.3 实验结果与分析
5.3.1 实验数据
5.3.2 实验设计与环境
5.3.3 实验结果
5.4 本章小结
6 如何进一步发挥影响力
6.1 引言
6.1.1 网络结构优化
6.1.2 自适应影响*大化
6.2 通过加边扩大影响*大化
6.2.1 加边问题
6.2.2 AP框架
6.2.3 实验分析
6.3 自适应策略
6.3.1 相关术语
6.3.2 自适应与非自适应之间的关系
6.4 本章小结
7 影响力计算在生物信息中的应用
7.1 引言
7.2 蛋白质交互网络
7.3 基于动态加权PPI网络的关键蛋白质预测
7.3.1 动态PPI网络构建
7.3.2 动态PPI网络加权
7.3.3 关键蛋白质识别
7.3.4 实验结果与分析
7.4 本章小结
参考文献