研究背景与问题

在信息时代，复杂网络广泛应用于多个领域，特别是社交网络、交通网络、通信网络等，它们包含着大量的节点类型与丰富属性信息。在这类网络中，关键节点识别已成为一个重要的研究方向，旨在寻找能够最大化网络信息传播范围的核心节点集合。然而，现有的关键节点识别方法在融合拓扑结构与节点属性时，往往存在语义噪声的传递与负迁移污染问题，这对于网络信息传播的准确性与效率具有显著影响。

研究方法

本文提出了一种基于抗负迁移与影响力重叠的属性异构网络关键节点识别方法。首先，为了抑制负迁移污染，我们设计了非对称对比学习框架，通过对不同属性特征进行差异性加权处理，减少了语义噪声的传递。其次，我们引入了影响力重叠的概念，通过计算节点之间的相似性度量和节点影响力，构建了一种新型的相似性度量方法，从而在识别过程中避免了因节点属性相似度过高而导致的识别不准确问题。最后，我们利用图神经网络对网络进行全局建模，以获取节点的全局影响力，并结合非对称对比学习与相似性度量方法进行节点评分。

核心结果

在一系列复杂网络上的实验结果表明，我们提出的方法在关键节点识别方面具有较高的准确性、有效性和稳定性。具体而言，相较于传统的特征融合和对称对比学习方法，我们的方法在多数情况下能够更有效地识别出网络中的关键节点，减少了负迁移污染，提高了节点识别的准确性。此外，我们还对网络信息传播的效率进行了评估，结果表明我们的方法在提升信息传播效率方面也具有显著优势。

结论与意义

本文提出的基于抗负迁移与影响力重叠的属性异构网络关键节点识别方法，在融合拓扑结构与节点属性时，有效地抑制了负迁移污染，并提升了网络信息传播的效率。这一方法对于复杂网络的节点识别与应用具有重要的理论意义和实践价值。在未来，我们将进一步优化方法，以提高其在更广泛场景下的适应性和鲁棒性。