![c63b53f32c43155e58c2649c7fa9e4cf.png](https://img-blog.csdnimg.cn/img_convert/c63b53f32c43155e58c2649c7fa9e4cf.png)
这篇文章是我之前写的一篇预印本的缩略版,预印本在这里:
https://arxiv.org/pdf/1908.09644.pdfarxiv.org第一节:导论
图是一种数据结构,它可以用来表示现实世界中复杂的交互关系。每一个图都有两个基本的组成部分, 分别是节点和边。节点通过边连接起来。一个例子如下图所示:
![81646578c2c9e5ae1c5a6d843225e876.png](https://img-blog.csdnimg.cn/img_convert/81646578c2c9e5ae1c5a6d843225e876.png)
为了在数学上表示一个图,我们通常可以定义一个连接矩阵,该矩阵的指标表示节点的序号,矩阵的元素表示两个节点之间是否有边连接(0表示没有边连接,1表示有)。对上图而言,它的连接矩阵为
其中
图之所以重要,是因为我们可以用图表示现实世界中的各种关系。例如,真实世界中的人际关系就可以用图表示。我们可以定义节点为人,如果两个人相互认识,我们就可以在它们所对应的节点之间连上一条边。这样我们就得到了一个无向图。另外,我们还可以用一个数字来表示两个人熟悉的程度。这样我们就得到了一个无向加权图。通过研究这个图,我们可以挖掘出隐藏在这些人际关系下面的大量信息。这篇文章里,我要通过研究图上的随机游走来度量两个人之间的亲密度。图上随机游走的定义是下一节的内容。
第二节:图上的随机游走
给定一个图,我们可以在图上做随机游走。图上的随机游走有很多种类型,在这里我们只定义一种对我们最有用的随机游走:带有目标的随机游走。如下图所示:
![afac22b58a58e2a29a10de1fd65a9153.png](https://img-blog.csdnimg.cn/img_convert/afac22b58a58e2a29a10de1fd65a9153.png)
在这个图里,我们设定节点 3 为目标节点。假设一个人
第三节:hitting time的精确解
这里,我要推导一个解析公式,这个公式可以给出hitting time的精确解。我最早是在写这篇文章https://zhuanlan.zhihu.com/p/56315879 的时候发现这个方法的,后来经过文献检索,发现这个方法其实早就有人提出过,例如http://www.cs.cmu.edu/~15859n/RelatedWork/random-walks-on-graphs.pdf . 在这篇review里面,作者就提到了这个方法。这也不奇怪,因为hitting time的计算应该是随机过程中一个常见的问题,肯定有很多人都研究过了。我的方法跟之前的方法稍微有点不同。这里,我详细推导一下我的方法。我的方法的推导依赖于随机游走的无记忆特性。
前面已经说了,hitting time是一个随机变量。对于给定的连通图,该随机变量依赖于随机游走的初始点
这种情况下我们已经得到了hitting time概率分布,所以我们也不需要对它做额外的分析。现在我们就考虑最普遍的情况:出发点不与目标点重合,而且目标节点不是目标节点的唯一邻近节点。
为了方便,我们记出发节点为