融合深度学习模型的时序网络重要节点识别方法研究

摘要

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.