研究时变图中各种概念下的最优时空路径，发现计算其顶点之间的中心度具有可计算与难以计算的不同情况，其计算复杂度与所选的最优路径概念相关，是社交网络分析中常用的一种有用工具。
Jun, 2020
利用随机采样和统计学习理论，我们提出了 ABRA 算法，可以高效地计算和维护所有节点或边的介数中心性，相较于目前同等质量保证和样本数的最先进算法更具优势。
Feb, 2016
本文研究了在时间图中如何高效地计算顶点的中介中心性，提出了多种 “最短路径” 的概念，并探讨了哪种概念能够在多项式时间内解决问题。
May, 2021
利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。
Oct, 2023
本文提出了一种基于 encoder-decoder 框架及 pairwise ranking loss 方法的学习算法，用于在大规模网络中快速且精确地鉴定 betweenness centrality 高的节点，与同类算法相比，具有较高的速度和准确性。
May, 2019
我们重新定义了 Closeness Centrality（CC）和 Betweenness Centrality（BC）节点排序问题，提出了 CNCA-IGE 模型，它是一个基于归纳图神经网络的编码器 - 解码器模型，用于基于指定的 CC 或 BC 指标对节点进行排序。我们在各种规模的合成和现实网络上评估了我们的方法，并实验证明 CNCA-IGE 模型在降低执行时间和提高性能方面优于现有基线模型。
Mar, 2024
该文章提出一种基于图神经网络的边缘排序方法，用于评估不同边缘连接的重要性，并在大规模网络中表现出高效和准确的性能，此方法特别适用于城市基础设施的改进、电力和水资源网络的弹性分析以及工程网络的资源分配优化。
Mar, 2023
本文提出了一种高度可扩展的算法，用于在图中估计所有节点的经典接近度中心性，并针对出站和入站中心性的概括，提出了有效的算法，并在大型网络上进行了广泛实验，证明了其高可扩展性和准确性。
Aug, 2014
本文提出一种介于最短路径过程和全路径通信过程之间的网络节点介数度量，并通过实验结果表明该度量可以比现有度量更好地描述复杂网络中的节点敏感性和生物信息传递。
May, 2009
提出一种新型高效算法 SILVAN，基于蒙特卡洛实证 Rademacher 平均值的新约束，通过渐进采样方法计算网络图中各节点的中介中心性，建立新的估算方案提供节点中介中心性的非均匀偏差边界并确定样本所需的数量，相比于其他算法在样本数量和准确度上表现更好。
Jun, 2021