Identifying influential nodes in a network is vital for the study of social network structure and to facilitate the dissemination of requisite information. The challenge we address is that, given a complex network, which nodes are more important? How can a group of disseminators be identified and selected to maximize any given field of influence? A series of centrality measures are proposed from different perspectives based on the topology of nodes. However existing methods suffer from problems that are intrinsic to singular consideration of node topology information, and they neglect the connection relationship between nodes when filtering the spreaders, resulting in imprecise evaluation results and limited spread scale. To solve this issue, this paper proposes a new centrality, inspired by the centripetal force formula. Centripetal centrality combines global, and local, as well as semi-local topological information about the nodes resulting in a more comprehensive evaluation. For the problems related to influence maximization, we propose a heuristic algorithm called seed exclusion (SE) that filters propagators. To demonstrate the performance of the proposed measures, we conducted experiments on both real-world and synthetic networks by comparing distinct metrics, improvements in network efficiency, the propagation of nodes under the SIR model and the average shortest distance between spreaders. The experimental results show that the proposed centripetal centrality is more accurate and effective than similar measures, while comparison with baselines the SE algorithm significantly improves spread speed and infection scale.

识别网络中的有影响力的节点对于研究社会网络结构和促进必要信息的传播至关重要。我们要解决的挑战是，给定一个复杂的网络，哪些节点更重要？如何识别和选择一组传播者以最大化任何给定的影响领域？基于节点的拓扑结构，从不同的角度提出了一系列中心性度量。然而，现有方法存在对节点拓扑信息单一考虑的固有问题，在过滤散布器时忽略了节点之间的连接关系，导致评估结果不精确，散布规模有限。为了解决这个问题，本文提出了一种新的中心性，其灵感来自向心力公式。向心中心性结合了关于节点的全局、局部和半局部拓扑信息，从而进行更全面的评估。对于与影响最大化相关的问题，我们提出了一种称为种子排除 (SE) 的启发式算法，用于过滤传播者。为了证明所提出措施的性能，我们通过比较不同的指标、网络效率的改进、SIR 模型下节点的传播以及吊具之间的平均最短距离，在真实世界和合成网络上进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。以及有关节点的半局部拓扑信息，从而进行更全面的评估。对于与影响最大化相关的问题，我们提出了一种称为种子排除 (SE) 的启发式算法，用于过滤传播者。为了证明所提出措施的性能，我们通过比较不同的指标、网络效率的改进、SIR 模型下节点的传播以及吊具之间的平均最短距离，在真实世界和合成网络上进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。以及有关节点的半局部拓扑信息，从而进行更全面的评估。对于与影响最大化相关的问题，我们提出了一种称为种子排除 (SE) 的启发式算法，用于过滤传播者。为了证明所提出措施的性能，我们通过比较不同的指标、网络效率的改进、SIR 模型下节点的传播以及吊具之间的平均最短距离，在真实世界和合成网络上进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。对于与影响最大化相关的问题，我们提出了一种称为种子排除 (SE) 的启发式算法，用于过滤传播者。为了证明所提出措施的性能，我们通过比较不同的指标、网络效率的改进、SIR 模型下节点的传播以及吊具之间的平均最短距离，在真实世界和合成网络上进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。对于与影响最大化相关的问题，我们提出了一种称为种子排除 (SE) 的启发式算法，用于过滤传播者。为了证明所提出措施的性能，我们通过比较不同的指标、网络效率的改进、SIR 模型下节点的传播以及吊具之间的平均最短距离，在真实世界和合成网络上进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。我们通过比较不同的指标、网络效率的提高、SIR 模型下节点的传播以及吊具之间的平均最短距离，对现实世界和合成网络进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。我们通过比较不同的指标、网络效率的提高、SIR 模型下节点的传播以及吊具之间的平均最短距离，对现实世界和合成网络进行了实验。实验结果表明，所提出的向心中心性比类似措施更准确和有效，而与基线相比，SE算法显着提高了传播速度和感染规模。