PruferNET：一种用于检测社交网络中具有影响力的节点的增强型图神经网络

《IEEE Access》：PruferNET: An Augmented Graph Neural Network for Influential Node Detection in Social Networks

　　

摘要：

在社交网络中找到关键节点（或重要人物）非常重要，因为这在许多不同领域都有广泛的应用。本文提出了一种利用基于普鲁弗序列（Prufer sequence）的结构特征和图神经网络（Graph Neural Networks, GNNs）对社交媒体节点进行分类的新方法。通过使用Facebook数据集，构建了一棵最小生成树（Minimum Spanning Tree, MST）来生成普鲁弗序列，并从中提取基于图的特征。为了构建详细的特征集，将标签频率、序列熵、子树深度、唯一标签比例以及节点转换影响力等属性与传统的结构度量指标（如度中心性、接近中心性和PageRank）相结合。该方法采用GraphSAGE模型对节点进行分类，根据节点在重构的普鲁弗树中的相对深度将其标记为“非常浅层（Very Shallow）”、“浅层（Shallow）”或“深层（Deep）”。实验结果表明，引入基于普鲁弗序列的特征显著提升了分类性能。在将普鲁弗特征与传统特征向量结合后，该方法的测试准确率达到了99.63%，远高于仅使用传统特征时的96.54%。两种分类方式的精确度、召回率和F1分数均体现了该方法的有效性和可靠性。这些结果凸显了这种基于图的表示方法的有效性，特别是对于那些从生成树编码（如普鲁弗序列）中提取的特征而言，与深度学习模型结合使用时表现更为出色。该系统能够捕捉大型社交网络中的隐藏结构模式，并识别出具有影响力的节点。