黄 娟，郭 强，刘建国

（1.上海理工大学 管理学院，上海 200093；2.上海财经大学 金融科技研究院，上海 200433）

0 引言

相比于传统静态网络，时序网络不仅能够表示节点间的关系，还能通过节点或连边的增加或减少表现拓扑结构随时间变化情况，近年来被广泛应用于建模解决金融、医疗、交通、电子商务等领域问题［1］。关键节点是整个网络中处于核心位置的节点，对整个网络的结构和功能具有较大影响力。在时序网络中，识别关键节点能够更精准地刻画事物间的交互关系及发展进程，如建模复杂社交系统、刻画经济网络、建立合作网络、预测重要枢纽以防止交通堵塞、预测关键患者以防止病毒传播、识别核心客户、预测流行产品等［2-5］。因此，研究并设计有效的关键节点识别方法具有重要的理论与实践意义。

近年来，时序网络中关键节点的识别方法大致可分为3类：基于拓扑结构的识别方法、基于动力学的识别方法，以及基于机器学习的识别方法［1］。其中，经典的时序网络关键节点识别研究工作主要思路在于根据时序数据构建时序网络模型，通过网络的拓扑结构或动力学特征，采用节点排序算法识别网络中的关键节点。基于拓扑结构的识别方法仅考虑时序网络每个层内的连接关系，为更好地表示时序网络的时序特征，还需要考虑不同时间层间的连接关系［6-7］。如Taylor 等［8］在传统动力学方法的基础上，采用多层耦合网络分析方法，将时序网络按照层间关系和层内关系建立超邻接矩阵（Supra-Adjacency Matrix，SAM），然后根据特征向量的中心性得到节点重要性排名；……