1 最简单的图模型
Erdos-Renyi提出的随机图 random graphs,有两种形式 G n p 和 G n m G_{np}和G_{nm} Gnp和Gnm,在此只讨论 G n p G_{np} Gnp 形式的图模型。
G n p G_{np} Gnp:由 n n n 个节点,节点之间以概率 p p p 生成关系的随机图。
举个例子:
它的属性值计算结果如下:
属性 | 计算公式 |
---|---|
Degree distribution | 二项分布 |
Path length | O ( l o g n ) O(logn) O(logn) |
Clustering coefficient | C = p = k ‾ / n C=p=\overline{k}/n C=p=k/n |
Connected components | Evolution |
(1)对于节点度数的分布:
公式不复杂,即此随机图模型的节点度数分布呈二项分布。与真实图模型(比如MSN)呈现的幂律分布完全不吻合。
(2)节点之间最短路径
这里没看明白,结论就是
G
n
p
G_{np}
Gnp 图模型的节点之间平均路径为
O
(
l
o
g
n
)
O(logn)
O(logn),如果
n
n
n 为180M,节点之间平均路径为 8.2。
(3)对于集聚系数:
公式同样不复杂,即此随机图模型的集聚系数为 节点的平均度数除以节点总数。 若以MSN的节点总数(180M)和平均度数(约为14)来计算 随机图模型的集聚系数,结果为 14 / 180 M ≈ 8 ∗ 1 0 − 8 14 / 180M \approx 8*10^{-8} 14/180M≈8∗10−8。与真实的MSN的集聚系数 0.11相比太小!
(4)对于图的连通性:
由上图可知:
p
=
1
/
(
n
−
1
)
p=1/(n-1)
p=1/(n−1)时,节点的平均度数为1,此时图开始呈现复杂性 giant component;
而
平
均
度
数
=
p
∗
(
n
−
1
)
平均度数=p*(n-1)
平均度数=p∗(n−1)。 而当节点的平均度数为14(同MSN的节点平均度数),图具备giant component。
综上,MSN vs
G
n
p
G_{np}
Gnp 结果如下:
Q :真实的网络模型像这个最简单的图模型吗?
A :在节点平均路径和连通性上是接近的;在集聚系数和节点分布相去胜远。
Q :这个图模型的意义是啥?
A :对其他工作是一个参考,是一个经典的图模型。