图生成模型

1、图（网络结构）的参数

        1）P(k) = ，代表Degree为k的节点概率分布。在真实图中，P(k)满足幂律分布。

        2）路径参数（连通图）：

                Diamter：d = ,任意两点最短路径的最大值为直径

                Average path length：，所有最短路径*2/degree

       3）距离系数（邻居节点的紧密程度）

                Ei：vi点的neighbor有多少相连的边

                ki：点的degree

                        Ei条边/ki理论上可以组成所有边，衡量该点的邻居节点的紧密程度

                

                ，衡量整个图的紧密情况

        4）连接度（Connectivity）

                最大连通分量

2、真实图的性质

        1、Friendster（已于2015年shut down的组合）

           P(k) = 介于2~3，即度集中在个别点上。

          avg path length= 5；90%节点在8跳内可达。

            = 0.0746（属于社区型较强）

           最大连通分量聚集99%节点

           -small world模型：L 相关与 log N（随机节点的distance和节点数目成对数相关）    

3、图生成模型

        1、随机图模型（E-R图模型）

        无向图有n个点，（u，v）边的存在概率是p，即每条边的存在概率是p，不存在的概率为1-p。节点的分布满足二项分布。

        1）概率见 

        2）Cavg = E（Ci） =      

        即，平均degree/n。即使在degree和真实图相同情况下，Cavg明显小于small-world，不具备社区性。

        3） 取log n后每增长1个数量级，path只增加1，和真实图相对比较类似

        4）最大连通分量：如果平均degree k>1，则和真实图类似，有某个聚集了99%的点的连通分量。

        

          真实图和ER随机图的PATH相差不大，主要差距在C，也就是距离系数相差过大。（大概是4个数量级）

        2、K-regular Gaph

        

        K - regular：距离系数高，随之而来的PATH较高。

        3、WS形small-world

        先从低维的K-regular graph开始构建，再对所有边，将某个端点以概率p随机移动到另一个点上。考虑极端情况，p=0，为regular graph；p = 1，为ER图；而且其聚集度只会更高，Path也会更短。

        4、BA模型-动态生成

         这是一个点不断增长的图模型，在生长过程中遵循2-8原则，富者更富，本就频繁的节点会更加频繁。

        step1：随机生成m0个点。

        step2：增加一个新点v，v和m个点相连。已有的每个点和v相连接的概率是P  = 。

        BA模型的四个指标：

        1）概率为幂律分布，γ = 3；

        求概率时特殊：  

        2）路径参数Path：直径为O（log n/log logn）

        3）距离系数：

        4）最大连通分量：

         5、KG图

        是一种递归的图。

     

        Kronecker积为 K1✖K1

        概率KG图：