图机器学习 - cs224w Lecture 15 - 网络演变

转载请注明： https://blog.csdn.net/New2World/article/details/106519773

网络的形成不是一蹴而就的，就像一个人的人际关系并非出生就是完整的，而是在成长过程中通过接触他人结识新朋友而逐步形成的。以时间为变量，网络结构的变化过程就是我们需要研究的。这个 Lecture 以三个层次进行研究讨论，分别是

• macro level: models, densification
• meso level: motifs, communities
• micro level: node, link properties (degree, centrality)

Macroscopic

从宏观的角度我们主要研究节点数和边的数目随时间的变化趋势、网络直径的变化以及节点度分布的变化。
首先定义节点和边为时刻 $t$ 的函数 $N(t),E(t)$，若在下一时刻 $t+1$ 节点数翻倍，那边的数量会如何变化？大量实验表明，边和节点的数量关系服从 densification power law，即 $E(t)\propto N(t{)}^a,a\in [1,2]$。也就是说边的数量增长的速度远快于节点的增长速度。如果 $a=1$ 说明是线性增长，即每个点的 out-degree 一样；而当 $a=2$ 时则为完全图。
那么网络直径怎么变化呢？出乎意料地减小了。比如你想认识 Jure，以你现有的人际关系可能得通过你们组的学长的大学同学的室友的高中同学才能实现。但如果你的人际关系中加入了你们组学长的大学同学的室友，那你就只需要通过他的高中同学就能跟 Jure 搭上线了，距离一下就缩短了不是吗。然而这只是我们的愿景，虽然实验表明网络直径的确减小了，但通过 E-R 模型模拟出的结果恰恰相反。因此除了 densification 还有其它因素使得网络直径缩小。
经历过 Lecture 2 后，提到其他因素，第一反应应该就是 degree 了吧。那么对比真实网络的演变和一个与真实网络具有相同度分布的随机图的演变，如下图，效果出奇地好。那么我们来研究下这个 degree 和 densification 的关系，不过首先我们得明确一点，即 degree sequence 通常服从 power law 分布。

第一种可能是度的指数为 $r_t$ 且为一个常数。如果 $r_t=r\in [1,2]$，那么 $a=2/r$。其实这里我一直不知道 $a$ 怎么得到的，这一段的讲解我看了不下5遍都没听到他讲为什么，而是在解释 $r<2$ 时 power law 的期望不存在(无限)。最终我发现 slide 里用词是 “fact”，也就是说这是一个普遍规律？好吧，不管了，我就这么理解了。