辨识网络中有影响力的传播节点,是复杂网络中重要的研究领域,涉及到网络的结构和功能,包括度分布,连通性,信息传播,鲁棒性等,在实际应用中,能够控制信息在网络中的传播、做高效的新闻推广、避免电网中故障的传播等。已有的辨识网络中最具影响力的传播节点的方法,大多都是建立在传统的网络表示方法之上的,这些传统的表示方法普遍存在网络稀疏、维度高和计算复杂度高等问题。本文基于网络嵌入方法,再结合节点的局部拓扑结构和相似性,分别提出了3种相关的辨识网络中最具影响力节点的算法。主要工作和成果如下:1.提出了基于DeepWalk网络嵌入和局部中心性的有影响力节点辨识方法。采用DeepWalk网络嵌入算法把高维的复杂网络映射到一个低维的向量空间,计算局部节点对之间的欧式距离,然后结合网络拓扑信息计算出所求节点对邻域内所有节点的影响大小,求和后作为判断节点影响力大小的指标。最后,在真实网络中使用不同的中心性方法计算top-10节点、top-10节点的感染能力和肯德尔系数,表明本方法在准确性和稳定性上表现良好。2.提出了基于边有效传播的有影响力节点辨识方法。网络中每条边由于其连接的节点的不同,它对信息的传播的作用是不同的,所以,通过考虑节点的每条边对节点传播影响力的作用大小,是解决影响力最大化问题的一个可行策略。在真实网络中的仿真结果表明,该算法具有较高的准确性和较低的计算复杂度。3.提出了基于SDNE网络嵌入和聚类算法的有影响力传播节点辨识方法。利用SDNE方法得到网络中每个节点的低维向量表示,然后使用聚类算法将这些向量划分为K个社团,最后根据网络的局部拓扑结构,得到每个社团的领导者节点,即为影响力最大化问题中的Top-k节点。通过在不同的数据集中使用IC模型、LT模型和所选节点连边数量统计的实验结果表明,该方法取得良好的辨识效果。