Identificación de nodos influyentes mediante k-shell jerárquico e integración de vecindarios extendidos

Por qué algunas conexiones importan más que otras

Desde las redes sociales y las rutas aéreas hasta las redes eléctricas y los brotes de enfermedad, nuestras vidas están entrelazadas en vastas redes de conexiones. Sin embargo, dentro de esas mallas, una pequeña fracción de puntos—personas, aeropuertos, estaciones eléctricas—desempeña silenciosamente un papel desproporcionado. Encontrar esos puntos “determinantes” puede ayudar a amplificar información útil, bloquear rumores dañinos, prevenir apagones o frenar epidemias. Este artículo presenta una nueva forma, llamada HKEN, para identificar con mayor precisión y eficiencia los puntos más influyentes en ese tipo de redes que muchas técnicas existentes.

Buscando jugadores clave en redes enmarañadas

Los investigadores modelan muchos sistemas reales como redes: puntos (nodos) unidos por líneas (aristas) que representan relaciones o interacciones. Una pregunta central es qué nodos son los más importantes para propagar algo a través de la red—ya sea noticias, electricidad o un virus. Los métodos anteriores caen en dos categorías. Los métodos locales solo consideran el entorno inmediato de un nodo, lo cual es rápido pero no siempre distingue entre nodos de apariencia similar. Los métodos globales examinan la estructura completa de la red, ofreciendo a menudo clasificaciones más fiables, pero con un alto coste computacional y a veces agrupaciones toscas. Los enfoques híbridos intentan mezclar ambas perspectivas, pero pueden volverse complejos o depender mucho de parámetros de ajuste. HKEN pretende capturar lo mejor de ambos mundos manteniéndose relativamente simple y robusto.

Mezclando vistas de cerca y de gran angular

HKEN comienza asignando a cada nodo un peso inicial que combina dos ideas. La primera es su grado, el número de conexiones directas que tiene—una señal básica de importancia local. La segunda es su posición en la estructura más amplia de la red, capturada por lo que los autores llaman valor k-shell, que revela cuán profundamente está un nodo incrustado en el núcleo de la red en lugar de situarse en los bordes. Dado que los grados pueden ser mucho mayores que los valores k-shell, HKEN los reescalona para que ninguno domine. Esto produce una primera estimación más equilibrada de cuán influyente podría ser cada nodo, basada tanto en su vecindario como en su ubicación global.

Escuchando a vecinos cercanos y lejanos

A continuación, HKEN mira más allá de los vecinos inmediatos de cada nodo, hasta los situados a dos saltos de distancia. Usa la distribución de los pesos iniciales en la red para fijar un umbral que distingue entre vecinos “fuertes” y “débiles” en términos de la facilidad con que pueden transmitir influencia. Los vecinos cercanos y aquellos con pesos más altos pueden contribuir más. Al mismo tiempo, el método mide cuán densamente agrupado está el entorno propio de un vecino. Si el círculo local de un vecino es muy denso, la información puede tender a circular localmente en lugar de propagarse hacia afuera, por lo que su contribución se atenúa. HKEN también comprueba cuán similares son los vecindarios de dos nodos—utilizando una medida de solapamiento estándar—de modo que los nodos incrustados en la misma comunidad se refuercen entre sí con mayor intensidad.

Transformando la influencia bruta en una clasificación final

Uniendo estas piezas, HKEN primero calcula una “influencia inicial” para cada nodo sumando su propio peso y las contribuciones filtradas y conscientes de la distancia de los vecinos hasta dos saltos. Luego realiza una segunda pasada que permite que los vecinos directamente conectados se potencien mutuamente según cuánto comparten de su entorno local. Esta segunda pasada mantiene deliberadamente prominente la contribución propia de un nodo para que los nodos altamente centrales no queden eclipsados por su entorno. El resultado final es una puntuación de influencia para cada nodo, que puede ordenarse para producir una clasificación de los puntos más críticos de la red.

Probando el método en redes reales

Para evaluar el rendimiento de HKEN, los autores lo probaron en diez redes del mundo real, diversas entre sí, que iban desde el clásico grafo social del club de karate hasta rutas aéreas, interacciones proteicas y mapas de colaboración científica. Compararon HKEN con una docena de métodos de clasificación bien conocidos. Dado que es difícil conocer directamente cuáles son los nodos realmente más influyentes, utilizaron un modelo de difusión estándar tomado de la epidemiología, llamado SIR, para simular cómo se movería una infección por cada red partiendo de distintos nodos semilla. Luego comprobaron cuán bien coincidía la clasificación de cada algoritmo con los patrones de infección. En la mayoría de conjuntos de datos y condiciones, las clasificaciones de HKEN concordaron mejor con la difusión simulada, y los nodos principales que seleccionó desencadenaron cascadas más amplias y rápidas que los elegidos por métodos competidores, todo ello manteniendo tiempos de ejecución manejables en redes grandes.

Qué significa esto para el mundo real

En términos sencillos, este trabajo demuestra que prestar atención tanto a la ubicación de un nodo en la red global como al comportamiento de sus vecinos inmediatos y de segundo anillo conduce a una imagen más nítida de quién realmente impulsa la influencia. El enfoque por capas de HKEN—equilibrando conexiones locales, posición global y el solapamiento sutil entre vecindarios—ayuda a identificar nodos críticos con mayor fiabilidad que muchas herramientas existentes. Eso lo convierte en una ayuda prometedora para tareas como localizar líderes de opinión en redes sociales, identificar hubs vulnerables en sistemas energéticos o de transporte, o dirigir intervenciones para frenar la propagación de enfermedades, a la vez que sigue siendo lo bastante eficiente para ejecutarse en las grandes y complejas redes actuales.

Cita: Wang, F., Sun, Z., Wang, G. et al. Identifying influential nodes through hierarchical k-shell and extended neighborhood integration. Sci Rep 16, 10215 (2026). https://doi.org/10.1038/s41598-026-40209-y

Palabras clave: nodos influyentes, redes complejas, difusión de información, centralidad en redes, modelo SIR