PARW-Rank：社交网络节点影响力评估的新型算法

"基于偏好分析和随机游走的社交网络节点影响力综合评估算法" 本文介绍了一种名为PARW-Rank的新算法，该算法应用于社交网络中的节点影响力评估。在大数据背景下，社交网络已经成为人们交流互动的重要平台，而识别出网络中的关键节点（即有影响力的传播者）对于诸如疾病防控、信息传播和舆情管理等领域具有重要意义。 PARW-Rank算法融合了三种基本的集中度度量：一是基于节点的度（Degree），即一个节点拥有的邻接节点数量；二是接近中心性（Closeness Centrality），衡量的是节点与其他所有节点的平均距离；三是介数中心性（Betweenness Centrality），计算的是节点在网络中作为最短路径一部分的频率。这些基本度量各自反映了不同类型的影响力。 首先，PARW-Rank算法利用偏好关系分析对每一种基本度量进行处理，构建部分优先级图（PPG）。在PPG中，节点间的优先级关系反映了一个节点相对于其他节点的相对影响力。接着，算法将这三种度量的PPG结合起来形成一个综合优先级图（CPG），它综合了多种度量的信息，更全面地刻画了节点的影响力。 随后，算法采用随机游走策略在CPG上进行模拟，随机游走的过程反映了信息或影响在社交网络中传播的可能性。通过分析随机游走过程中节点被访问的频率，可以确定节点的影响力排名。这种方法使得PARW-Rank能够更好地模拟现实世界中复杂的信息传播过程，并且避免了单一中心度量的局限性。 为了验证算法的有效性，研究者在五个公开的社交网络数据集上进行了比较分析。实验结果显示，与传统的单一中心度量方法相比，PARW-Rank在准确性和稳定性方面表现出色，能更有效地识别出有影响力的节点。 PARW-Rank算法提供了一种新的、综合性的方法来评估社交网络中节点的影响力，结合了偏好分析和随机游走的思想，有望在社交网络分析和信息传播研究中发挥重要作用。该算法不仅有助于理解网络动力学，还可能在公共卫生、市场营销和社会管理等多个领域找到实际应用。