基于多属性综合评价的食品安全标准引用网络重要节点发现方法

doi:10.11772/j.issn.1001-9081.2021071245

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (4): 1178-1185.DOI: 10.11772/j.issn.1001-9081.2021071245

• CCF第36届中国计算机应用大会 (CCF NCCA 2021) • 上一篇

基于多属性综合评价的食品安全标准引用网络重要节点发现方法

郝志刚¹, 秦丽¹^,²()

^1.华中农业大学信息学院，武汉 430070
^2.湖北省农业大数据工程技术研究中心（华中农业大学），武汉 430070

收稿日期:2021-07-16 修回日期:2021-08-31 接受日期:2021-09-14 发布日期:2021-09-30 出版日期:2022-04-10
通讯作者: 秦丽
作者简介:郝志刚（1997—），男，山西阳泉人，硕士研究生，CCF会员，主要研究方向：知识图谱、大数据
基金资助:
国家重点研发计划项目(2018YFC1604005);中央高校基本科研业务费专项资金资助项目2662019PY070

Method for discovering important nodes in food safety standard reference network based on multi-attribute comprehensive evaluation

Zhigang HAO¹, Li QIN¹^,²()

^1.College of Informatics，Huazhong Agricultural University，Wuhan Hubei 430070，China
^2.Hubei Engineering Technology Research Center of Agricultural Big Data （Huazhong Agricultural University），Wuhan Hubei 430070，China

Received:2021-07-16 Revised:2021-08-31 Accepted:2021-09-14 Online:2021-09-30 Published:2022-04-10
Contact: Li QIN
About author:HAO Zhigang， born in 1997， M. S. candidate. His research interests include knowledge graph， big data.
Supported by:
National Key Research and Development Program of China(2018YFC1604005);Fundamental Research Funds for the Central Universities(2662019PY070)

摘要/Abstract

摘要：

针对如何利用食品安全标准引用网络来从众多的食品安全国家标准中找到对食品安全检验、检测影响较大的关键标准，提出了一种基于多属性综合评价的食品安全标准引用网络重要节点发现方法。首先，利用社交网络分析中的度中心性、紧密度中心性、介数中心性以及Web页面重要度评价算法PageRank，分别对标准节点的重要性进行评价；然后，使用层次分析法（AHP）计算各个评价指标在重要性评价中的权重，通过基于逼近理想解排序法（TOPSIS）的多属性决策方法综合评价标准节点的重要性并寻找到重要节点；其次，将基于综合评价得到的重要节点与基于度的评价得到的重要节点分别从各自的引用网络中删除，并检验重要节点删除后引用网络的连通性，连通性越差，说明节点越重要；最后，使用Louvain社区发现算法检验网络的连通性，即对网络节点进行社区发现，没有被划入社区的节点越多，说明网络的连通性越差。实验结果表明，相较于基于度的评价方法，基于多属性的综合评价方法发现的重要节点被删除后不能划入社区的节点更多，证明后者能更好地发现引用网络中的重要节点。可见所提方法有助于标准制定者在修改、更新标准时，快速把握核心内容与关键节点，对食品安全国家标准的体系构建起到指导作用。

关键词: 复杂网络, 节点重要性, 多属性决策, 网络连通性, 综合评价

Abstract:

Aiming at how to use the food safety standard reference network to find the key standards that have a great impact on food safety inspection and detection from many national food safety standards， a method of finding the important nodes in the food safety standard reference network based on multi-attribute comprehensive evaluation was proposed. Firstly， the importance of standard nodes were evaluated by using the degree centrality， closeness centrality and betweenness centrality in social network analysis as well as the Web page importance evaluation algorithm PageRank respectively. Secondly， the Analytic Hierarchy Process （AHP） was used to calculate the weight of each evaluation index in the importance evaluation， and multi-attribute decision-making method based on TOPSIS （Technique for Order Preference by Similarity to an Ideal Solution） was used to comprehensively evaluate the importance of standard nodes and found out the important nodes. Thirdly， the important nodes obtained from the comprehensive evaluation and the important nodes obtained from the degree based evaluation were deleted from their own reference network respectively， and the connectivity of the reference networks after deleting the important nodes was tested. The worse the connectivity was， the more important the nodes were. Finally， the Louvain community discovery algorithm was used to test the network connectivity， that is to find the communities of the network nodes. The more nodes not included in the communities， the worse the network connectivity. Experimental results show that after deleting the important nodes found by the comprehensive evaluation method based on multi-attribute， more nodes cannot be included in the communities than those of the evaluation method based on degree， proving that the proposed method can better find the important nodes in the reference network. The proposed method helps standard makers quickly grasp the core contents and key nodes when revising and updating standards， and plays a guiding role in the construction of the system of national food safety standards.

Key words: complex network, node importance, multi-attribute decision-making, network connectivity, comprehensive evaluation

中图分类号:

TP391.1

郝志刚, 秦丽. 基于多属性综合评价的食品安全标准引用网络重要节点发现方法[J]. 计算机应用, 2022, 42(4): 1178-1185.

Zhigang HAO, Li QIN. Method for discovering important nodes in food safety standard reference network based on multi-attribute comprehensive evaluation[J]. Journal of Computer Applications, 2022, 42(4): 1178-1185.

图/表 12

参考文献 31

1	姚静，赵彤洲. 复杂社会网络节点重要性研究［J］. 计算机与数字工程， 2016， 44（1）：80-82， 87. 10.3969/j.issn.1672-9722.2016.01.020
	YAO J， ZHAO T Z. Node importance in complex social networks［J］. Computer and Digital Engineering， 2016， 44（1）： 80-82， 87. 10.3969/j.issn.1672-9722.2016.01.020
2	王安，顾益军. 基于社区划分的节点重要性评估方法［J］. 计算机工程与应用， 2020， 56（8）：42-48.
	WANG A， GU Y J. Nodes importance method based on community detection［J］. Computer Engineering and Applications， 2020， 56（8）： 42-48.
3	李锴，何永锋，吴纬，等. 基于节点重要度的复杂网络可靠性研究［J］. 计算机应用研究， 2018， 35（8）：2465-2468. 10.3969/j.issn.1001-3695.2018.08.057
	LI K， HE Y F， WU W， et al. Reliability of complex network based on importance of nodes［J］. Application Research of Computers， 2018， 35（8）： 2465-2468. 10.3969/j.issn.1001-3695.2018.08.057
4	CHEN D B， LÜ L， SHANG M S Y， et al. Identifying influential nodes in complex networks［J］. Physica A： Statistical Mechanics and its Applications， 2012， 391（4）： 1777-1787. 10.1016/j.physa.2011.09.017
5	FREEMAN L C. Centrality in social networks conceptual clarification［J］. Social Networks， 1978/1979， 1（3）： 215-239. 10.1016/0378-8733(78)90021-7
6	KATZ L. A new status index derived from sociometric analysis［J］. Psychometrika， 1953， 18（1）： 39-43. 10.1007/bf02289026
7	FREEMAN L C. A set of measures of centrality based on betweenness［J］. Sociometry， 1977， 40（1）： 35-41. 10.2307/3033543
8	钱珺，王朝坤，郭高扬. 基于社区的动态网络节点介数中心度更新算法［J］. 软件学报， 2018， 29（3）：853-868.
	QIAN J， WANG C K， GUO G Y. Community based node betweenness centrality updating algorithms in dynamic networks［J］. Journal of Software， 2018， 29（3）： 853-868.
9	王全民，赵亚康. 基于PageRank算法的校园好友关系分析［J］. 计算机技术与发展， 2020， 30（1）：140-143. 10.3969/j.issn.1673-629X.2020.01.025
	WANG Q M， ZHAO Y K. Campus friend relationship analysis based on PageRank algorithm［J］. Computer Technology and Development， 2020， 30（1）： 140-143. 10.3969/j.issn.1673-629X.2020.01.025
10	应毅，黄慧，刘定一. 基于PageRank的热点发现混合算法研究［J］. 计算机技术与发展， 2019， 29（9）：87-91. 10.3969/j.issn.1673-629X.2019.09.016
	YING Y， HUANG H， LIU D Y. Research on hotspot detection hybrid algorithm based on PageRank［J］. Computer Technology and Development， 2019， 29（9）： 87-91. 10.3969/j.issn.1673-629X.2019.09.016
11	李翀，王宇宸，杜伟静，等. 基于Web of Science的PageRank人才挖掘算法［J］. 计算机应用， 2021， 41（5）： 1356-1360.
	LI C， WANG Y C， DU W J， et al. PageRank-based talent mining algorithm based on Web of Science［J］. Journal of Computer Applications， 2021， 41（5）： 1356-1360.
12	刘建国，任卓明，郭强，等. 复杂网络中节点重要性排序的研究进展［J］. 物理学报， 2013， 62（17）：. 10.7498/aps.62.178901
	No.178901. （LIU J G， REN Z M， GUO Q，et al. Node importance ranking of complex networks［J］. Acta Physica Sinica， 2013， 62（17）： No.178901.）. 10.7498/aps.62.178901
13	任晓龙，吕琳媛. 网络重要节点排序方法综述［J］. 科学通报， 2014， 59（13）：1157-1197. 10.1360/972013-1280
	REN X L， LYU L Y. Review of ranking nodes in complex networks［J］. Chinese Science Bulletin， 2014， 59（13）： 1157-1197. 10.1360/972013-1280
14	郑文萍，吴志康，杨贵. 一种基于局部中心性的网络关键节点识别算法［J］. 计算机研究与发展， 2019， 56（9）：1872-1880. 10.7544/issn1000-1239.2019.20180831
	ZHENG W P， WU Z K， YANG G. A novel algorithm for identifying critical nodes in networks based on local centrality［J］. Journal of Computer Research and Development， 2019， 56（9）： 1872-1880. 10.7544/issn1000-1239.2019.20180831
15	罗浩，闫光辉，张萌，等. 融合多元信息的多关系社交网络节点重要性研究［J］. 计算机研究与发展， 2020， 57（5）： 954-970. 10.7544/issn1000-1239.2020.20190331
	LUO H， YAN G H， ZHANG M， et al. Research on node importance fused multi-information for multi-relational social networks［J］. Journal of Computer Research and Development， 2020， 57（5）： 954-970. 10.7544/issn1000-1239.2020.20190331
16	杜航原，王文剑，白亮. 基于网络节点中心性度量的重叠社区发现算法［J］. 计算机研究与发展， 2018， 55（8）：1619-1630.
	DU H Y， WANG W J， BAI L. An overlapping community detection algorithm based on centrality measurement of network node［J］. Journal of Computer Research and Development， 2018， 55（8）：1619-1630.
17	马媛媛，韩华，瞿倩倩. 基于节点亲密度的重要性评估算法［J］. 计算机科学， 2021， 48（5）：140-146. 10.11896/jsjkx.200300184
	MA Y Y， HAN H， QU Q Q. Importance evaluation algorithm based on node intimate degree［J］. Computer Science， 2021， 48（5）： 140-146. 10.11896/jsjkx.200300184
18	邵豪，王伦文，邓健. 一种基于H运算的动态网络重要节点识别方法［J］. 计算机应用， 2019， 39（9）：2669-2674.
	SHAO H， WANG L W， DENG J. Important node identification method for dynamic networks based on H operation［J］. Journal of Computer Applications， 2019， 39（9）： 2669-2674.
19	尹荣荣，尹学良，崔梦頔，等. 基于重要度贡献的无标度网络节点评估方法［J］. 软件学报， 2019， 30（6）：1875-1885.
	YIN R R， YIN X L， CUI M D， et al. Node evaluation method based on importance contribution in scale-free networks［J］. Journal of Software， 2019， 30（6）：1875-1885.
20	梁耀洲，郭强，刘建国. 一种基于排名聚合的社交网络关键用户挖掘方法［J］. 软件导刊， 2020， 19（3）： 186-189.
	LIANG Y Z， GUO Q， LIU J G. A method of key user identification for social network based on ranking aggregation［J］. Soft Guide， 2020， 19（3）： 186-189.
21	张俊，李义华，罗大庸. 考虑位置信息的物流配送网络节点重要性评估［J］. 计算机工程与应用， 2020， 56（11）：259-264.
	ZHANG J， LI Y H， LUO D Y. Evaluation for critical node in logistics distribution network involved with position information［J］. Computer Engineering and Applications， 2020， 56（11）： 259-264.
22	宋新生，王啸啸，李爱增，等. 城市群区域公路网节点重要度评估方法研究［J］. 交通运输系统工程与信息， 2011， 11（2）：84-90. 10.3969/j.issn.1009-6744.2011.02.013
	SONG X S， WANG X X， LI A Z， et al. Node importance evaluation method for highway network of urban agglomeration［J］. Journal of Transportation Systems Engineering and Information Technology， 2011， 11（2）：84-90. 10.3969/j.issn.1009-6744.2011.02.013
23	王昊翔，曾珊，刘挥扬. 虚拟社交网络中节点重要度分析［J］. 上海交通大学学报， 2013， 47（7）：1055-1059.
	WANG H X， ZENG S， LIU H Y. An importance analytical approach for online social network［J］. Journal of Shanghai Jiao Tong University， 2013， 47（7）： 1055-1059.
24	方丽媛. 社交网络中节点重要性分析［J］. 硅谷， 2014， 7（12）： 135， 129.
	FANG L Y. Analysis of importance nodes in social networks［J］. Silicon Valley， 2014， 7（12）： 135， 129.
25	秦丽，郝志刚，李国亮. 国家食品安全标准图谱的构建及关联性分析［J］. 计算机应用， 2021， 41（4）：1005-1011.
	QIN L， HAO Z G， LI G L. Construction and correlation analysis of national food safety standard graph［J］. Journal of Computer Applications， 2021， 41（4）：1005-1011.
26	秦李，杨子龙，黄曙光. 复杂网络的节点重要性综合评价［J］. 计算机科学， 2015， 42（2）：60-64. 10.11896/j.issn.1002-137X.2015.02.013
	QIN L， YANG Z L， HUANG S G. Synthesis evaluation method for node importance in complex networks［J］. Computer Science， 2015， 42（2）： 60-64. 10.11896/j.issn.1002-137X.2015.02.013
27	朱茵，孟志勇，阚叔勇. 用层次分析法计算权重［J］. 北方交通大学学报， 1999， 23（5）：119-122.
	ZHU Y， MENG Z Y， KAN S Y. Determination of weight value by AHP［J］. Journal of Northern Jiaotong University， 1999， 23（5）： 119-122.
28	洪志国，李焱，范植华，等. 层次分析法中高阶平均随机一致性指标（RI）的计算［J］. 计算机工程与应用， 2002， 38（12）：45-47. 10.3321/j.issn:1002-8331.2002.12.017
	HONG Z G， LI Y， FAN Z H， et al. Calculation on high-ranked RI of analytic hierarchy process［J］. Computer Engineering and Applications， 2002， 38（12）： 45-47. 10.3321/j.issn:1002-8331.2002.12.017
29	于会，刘尊，李勇军. 基于多属性决策的复杂网络节点重要性综合评价方法［J］. 物理学报， 2013， 62（2）：54-62. 10.7498/aps.62.020204
	YU H， LIU Z， LI Y J. Key nodes in complex networks identified by muti-attribute decision-making method［J］. Acta Physica Sinica， 2013， 62（2）： 54-62. 10.7498/aps.62.020204
30	安世虎，都艺兵，曲吉林. 节点集重要性测度—综合法及其在知识共享网络中的应用［J］. 中国管理科学， 2006， 14（1）： 106-111.
	AN S H， DU Y B， QU J L. A comprehensive importance measurement for nodes［J］. Chinese Journal of Management Science， 2006， 14（1）： 106-111.
31	BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al. Fast unfolding of communities in large networks［J］. Journal of Statistical Mechanics： Theory and Experiment， 2008， 2008（10）： No.P10008. 10.1088/1742-5468/2008/10/p10008

Rank	节点	入度	度数
1	GB5009.12	165	165
2	GB/T14454	146	146
3	GB/T6682―2008	132	132
4	GB/T11538―2006	131	131
5	GB/T11540	123	123
6	GB/T14455	101	101
7	GB5009.3	96	96
8	GB23200	89	89
9	GB2763	89	89
10	GB5009.11	49	49

Rank	节点	入度	度数
1	GB5009.12	165	165
2	GB/T14454	146	146
3	GB/T6682―2008	132	132
4	GB/T11538―2006	131	131
5	GB/T11540	123	123
6	GB/T14455	101	101
7	GB5009.3	96	96
8	GB23200	89	89
9	GB2763	89	89
10	GB5009.11	49	49

Rank	节点	DC值
1	GB5009.12	0.133 3
2	GB/T14454	0.117 9
3	GB/T6682―2008	0.106 6
4	GB/T11538―2006	0.105 8
5	GB/T11540	0.094 4
6	GB/T14455	0.081 6
7	GB5009.3	0.077 5
8	GB23200	0.071 9
9	GB2763	0.071 9
10	GB5009.11	0.039 6

Rank	节点	DC值
1	GB5009.12	0.133 3
2	GB/T14454	0.117 9
3	GB/T6682―2008	0.106 6
4	GB/T11538―2006	0.105 8
5	GB/T11540	0.094 4
6	GB/T14455	0.081 6
7	GB5009.3	0.077 5
8	GB23200	0.071 9
9	GB2763	0.071 9
10	GB5009.11	0.039 6

Rank	节点	CC值
1	GB5009.12	0.004 572
2	GB4789.2	0.004 569
3	GB4789.3	0.004 569
4	GB29987―2014	0.004 568
5	GB1886.141―2016	0.004 568
6	GB4789.4	0.004 568
7	GB29945―2013	0.004 568
8	GB28403―2012	0.004 568
9	GB5009.3	0.004 568
10	GB/T6682―2008	0.004 567

基于多属性综合评价的食品安全标准引用网络重要节点发现方法

Method for discovering important nodes in food safety standard reference network based on multi-attribute comprehensive evaluation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 31

相关文章 15

编辑推荐

Metrics

Rank	节点	介数中心性值
1	GB29921	0.000 024 8
2	GB1886.174―2016	0.000 011 8
3	GB28403―2012	0.000 005 2
4	GB4789.28	0.000 005 2
5	GB28401―2012	0.000 003 9

Rank	节点	PR值	Rank	节点	PR值
1	GB5009.12	0.027 6	6	GB/T11540	0.014 9
2	GB/T6682―2008	0.023 3	7	GB2763	0.013 7
3	GB/T14454	0.018 0	8	GB/T1.1―2000	0.013 0
4	GB/T11538―2006	0.016 3	9	GB5009.3	0.012 1
5	GB/T23200	0.015 4	10	GB/T14455	0.011 9

Rank	节点	D⁺	D^-	Z
1	GB/T1.1―2000	0.125 8	0.155 7	0.553 2
2	GB4789.2	0.171 4	0.209 5	0.550 1
3	GB5009.11	0.182 2	0.221 4	0.548 5
4	GB5009.76	0.177 1	0.214 4	0.547 6
5	GB4789.3	0.164 1	0.198 4	0.547 4
6	GB4789.4	0.161 7	0.193 7	0.545 0
7	GB5009.3	0.289 9	0.344 6	0.543 1
8	GB2763	0.280 8	0.333 3	0.542 8
9	GB/T14455	0.300 2	0.356 0	0.542 6
10	GB10765―2010	0.157 4	0.186 1	0.541 7

网络类别	节点数目	边数目
G1（原始）	1 239	2 593
G2（删除度指标排名前10节点及相邻节点）	1 192	1 345
G3（删除TOPSIS法排名前10节点及相邻节点）	1 193	2 016

[1]	胡军, 许正康, 刘立, 钟福金. 融合多粒度社区信息的网络嵌入方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 663-670.
[2]	蔡彪, 李蕊岑, 吴媛媛. 相似性特征对链路预测的影响与增强[J]. 计算机应用, 2021, 41(9): 2569-2577.
[3]	李亚芳, 梁烨, 冯韦玮, 祖宝开, 康玉健. 基于社区优化的深度网络嵌入方法[J]. 计算机应用, 2021, 41(7): 1956-1963.
[4]	李萍, 汪芬, 陈祺东, 孙俊. 求解多目标社区发现问题的离散化随机漂移粒子群优化算法[J]. 计算机应用, 2021, 41(3): 803-811.
[5]	陈晓楠, 胡建敏, 陈茜, 张威. 基于LightGBM算法的网络战仿真与效能评估[J]. 计算机应用, 2020, 40(7): 2003-2008.
[6]	郑文萍, 岳香豆, 杨贵. 基于随机游走的改进标签传播算法[J]. 计算机应用, 2020, 40(12): 3423-3429.
[7]	成其伟, 陈启买, 贺超波, 刘海. 基于改进对称二值非负矩阵分解的重叠社区发现方法[J]. 计算机应用, 2020, 40(11): 3203-3210.
[8]	李孜颖, 石振国. 面向大数据任务的调度方法[J]. 计算机应用, 2020, 40(10): 2923-2928.
[9]	刘昱阳, 李龙杰, 单娜, 陈晓云. 融合聚集系数的链接预测方法[J]. 计算机应用, 2020, 40(1): 28-35.
[10]	王西龙, 王继成, 罗成, 田秀霞. 时间尺度与选择倾向性协同作用下的演化博弈模型[J]. 计算机应用, 2019, 39(6): 1824-1828.
[11]	张希, 朱利, 刘路辉, 詹杭龙, 卢艳民. 基于多层网络的银行间市场信用拆借智能风险传染机制[J]. 计算机应用, 2019, 39(5): 1507-1511.
[12]	杨雄, 姚蓉, 杨鹏飞, 王哲, 李海芳. 以脑电图子序列特征向量为节点的脑网络分析方法[J]. 计算机应用, 2019, 39(4): 1224-1228.
[13]	刘正铭, 马宏, 刘树新, 李海涛, 常圣. 融合节点描述属性信息的网络表示学习算法[J]. 计算机应用, 2019, 39(4): 1012-1020.
[14]	彭定洪, 杨扬. 基于毕达哥拉斯模糊Frank算子的多属性决策方法[J]. 计算机应用, 2019, 39(2): 316-322.
[15]	刘胜久, 李天瑞, 杨宗霖, 珠杰. 带权超网络的度量方法及其性质[J]. 计算机应用, 2019, 39(11): 3107-3113.

阶数	RI	阶数	RI
1	0.00	6	1.36
2	0.00	7	1.41
3	0.52	8	1.46
4	0.89	9	1.46
5	1.12

阶数	RI	阶数	RI
1	0.00	6	1.36
2	0.00	7	1.41
3	0.52	8	1.46
4	0.89	9	1.46
5	1.12

网络类型	划分后的社区数	最大社区节点数	未参与划分节点数
G1	66	494	134
G2	3	120	1 039
G3	0	0	1 239

网络类型	划分后的社区数	最大社区节点数	未参与划分节点数
G1	66	494	134
G2	3	120	1 039
G3	0	0	1 239