利用渗流理论甄别网络中的有影响力传播者

在许多社会、技术以及生物系统底层的无序交互拓扑所带来的后果中，一个尤其重要的是：某些节点仅仅因其处于网络中的位置，就可能对由复杂交互模式介导的动态过程产生不成比例的影响。例如，社交网络中意见领袖的早期采用可能改变一个商业产品的命运，或者仅仅少数超级传播者就可能决定社交媒体中某个梗的病毒式传播。尽管近期有许多努力，但构建一个精确方法来最优识别复杂网络拓扑中的有影响力节点仍是一项未解决的挑战。在此，我们针对流行病传播在临界状态下的易感-感染-移除（Susceptible-Infected-Removed, SIR）模型这一具体但高度相关的情形，给出了该问题的精确解。通过利用键渗流与SIR静态性质之间的映射，我们证明了新近引入的非回溯中心性（Non-Backtracking centrality）是临界状态下局部树状网络中识别有影响力传播者的最优准则。借助在合成网络及非常广泛的真实世界网络上的模拟，我们表明非回溯中心性也是一种高度可靠的度量，可用于识别一般未嵌入空间图中的顶级有影响力传播者，以及非临界传播情形。