![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
网络科学导论
文章平均质量分 77
心若向阳,何谓悲伤
这个作者很懒,什么都没留下…
展开
-
无标度网络模型
网络节点的度没有明显的特征长度我们就称之为无标度网络。一、BA无标度网络模型1、模型概述ER随机图和WS小世界模型忽略了实际网络的两个重要特性:(1)增长特性:即网络的规模是不断扩大的。例如每个月都会有大量的新的科研文章发表,www上则每天都有大量新的网页产生。而ER随机图和WS小世界模型中网络节点数是固定的。(2)公先连接特性:即新的节点更倾向于与那些具有较高连接度的hub节点相连接。这种现象也称为“富者更富”或“马太效应”。 例如,新发表的文章更倾向于引用一些已被广泛引用的重要文献,新的个人主原创 2021-09-16 11:15:14 · 6963 阅读 · 0 评论 -
小世界网络模型
一、小世界网络模型1、WS小世界模型我们在前面的文章中介绍过,上图(a)所示的完全规则的最近邻耦合网络具有较高的聚类特性,但并不具有较短的平均距离。另一方面,完全随机的ER随机图虽然具有小的平均路径长度却没有高聚类特性。因此,规则的最近邻网络和ER随机图都不能再现许多实际网络同时具有的明显聚类和小世界特征。从直观上看,毕竟大部分实际网络并不是完全规则或完全随机的。WS小世界模型构造算法:(1)从规则图开始:给定一个含有N个点的环状最近邻耦合网络,其中每个节点都与它左右相邻的各K/2个节点相连,K是原创 2021-09-15 16:37:03 · 13551 阅读 · 2 评论 -
随机网络模型
要理解网络结构与网络行为之间的关系并进而考虑改善网络的行为,就需要对实际网络的结构特征有很好的了解,并在此基础上建立合适的网络拓扑模型。一、从规则网络说起1、常见规则网络上图中显示了3中规则网络:全局耦合网络、最近邻耦合网络、星形耦合网络。下面我们来一一介绍。1.1 全局耦合网络如果一个网络中任意两个节点之间都有边直接相连,那么就称该网络为一个全局耦合网络,简称全耦合网络。但在实际中一个大规模的全耦合网络维护起来非常困难,例如我们在学校,不可能所有人都认识,也不可能什么都不干,每天去认识人。这原创 2021-09-11 20:05:46 · 7643 阅读 · 0 评论 -
节点相似性与链路预测
一、问题描述与评价标准刻画节点的相似性有很多种方法,最简单直接的就是利用节点的属性。近年来,基于网络结构信息的节点相似性刻画得到了越来越多的重视。节点相似性分析的一个典型应用就是链路预测,它是指如何通过已知的各种信息预测给定网络中尚不存在连边的两个节点之间产生连接的可能性。这种预测包含了对未知连接,也称丢失连接的预测,也包含了对未来连接的预测。基于节点相似性进行链路预测的基本假设就是如果两个节点之间的相似性越大,它们之间存在连接的可能性就越大。链路预测还可以用于预测演化网络中未来可能出现的连接。给定一原创 2021-09-08 20:47:11 · 4682 阅读 · 0 评论 -
PR值:PagePank算法
一、基本算法1、基本步骤PagePank算法的基本思想是:WWW上一个页面的重要性取决于指向它的其它页面的数量和质量。针对一般的有向网络,基本的PagePank算法可叙述如下:(1)初始步:给定所有节点的初始PagePank值PRi_ii(0),i=1,2,,,N,满足∑1N\sum_1^N∑1NPRi_ii(0)=1。(2)基本的PagePank校正规则:把每个节点在第k-1步时的PR值平分给它所指向的节点。也就是说,如果节点i的出度为kiout_i^{out}iout,那么节点i所指向原创 2021-09-07 15:26:18 · 1099 阅读 · 0 评论 -
权威值和枢纽值:HITS算法
当考虑有向网络中节点的重要性时,一种简单的方法是把有向网络视为无向网络,从而可以直接利用无向网络中节点的重要性指标。然而,有向网络中边的方向对于节点的重要性往往是非常重要的。例如论文引用网络出度和入度代表含义不同,重要性也不同。HITS算法可描述如下:(1)初始步:设定网络中所有节点的权威值和枢纽值的初始值xi_ii(0),yi_ii(0),i=1,2,,,N。(2)迭代过程:在第k(k>=1)步进行如下三种操作:权威值矫正规则:每一个节点的权威值校正为指向它的节点的枢纽之和,即枢纽值原创 2021-09-05 20:04:19 · 1331 阅读 · 0 评论 -
无向网络节点重要性指标
一、度中心性网络中一个节点的价值首先取决于这个节点在网络中所处的位置,位置越中心其价值越大。在社会网络分析中,常用”中心性“来表示。最直接的度量是度中心性,即一个节点的度越大就意味着这个节点越重要。一个包含N个节点的网络中,节点最大可能的度值为N-1,通常为便于比较而对中心性指标作归一化处理,度为ki_ii的节点的归一化的度中心性值定义为:二、介数中心性用经过某个节点的最短路径的数目来刻画节点重要性的指标就称为介数中心性,简称介数。节点i的介数定义为:其中,gst_{st}st为从节点s到原创 2021-09-05 10:43:49 · 2426 阅读 · 0 评论 -
除了基于模块度之外的其它社团检测算法
一、模块度的局限性(1)判断网络是否具有较强的社团结构一种方法是把一个给定网络与该网络相应的随机化模型做对比。通常做法是通过随机重连方式生成许多具有相同度序列的随机化网络,并计算这些网络的模块度的均值和方差,分别记为< Q >NM_{NM}NM和δQNM\delta_Q^{NM}δQNM,然后计算给定网络的最大模块度Qmax_{max}max的统计重要性:如果ZQ_QQ>0,就可以认为网络具有社团结构,并且ZQ_QQ越大就表明网络的社团结构越强。但是问题来了:一些大家公认不原创 2021-09-04 16:47:19 · 1007 阅读 · 0 评论 -
基于模块度的社团检测算法
一、CNM算法该算法是基于贪婪算法思想的社团结构检测算法,该算法的计算复杂度为O(nlog2^22n),算法代码可以从网上搜到。CNM算法采用堆数据结构计算和更新模块度,具体描述如下:(1)初始化:初始时假设每个节点就是一个独立的社团,模块度值Q=0,初始的eij_{ij}ij、ai_ii计算如下:初始的模块增量矩阵的元素计算如下:得到初始的模块度增量矩阵后,就可以得到由它每一行的最大元素构成的最大堆H。(2)从最大堆中选择最大的Δ\DeltaΔQij_{ij}ij,合并相应的社团i和j原创 2021-09-04 09:55:29 · 3214 阅读 · 2 评论 -
社团结构与模块度
一、社团结构的描述如上图,每个社团内部的节点之间的连接相对较为紧密,各个社团之间的连接相对来说比较稀疏。生活中许多实际网络都具有较为明显的社团结构。社团结构分析与计算机科学中的图分割和社会学中的分级聚类等有着密切的关系。图分割问题的一个实际例子是并行计算,找到这类分割问题的精确解是一个NP难题,当图的规模很大时不存在有效解法。分级聚类是寻找社会网络中社团结构的一类传统算法。它基于各个节点之间连接的相似性或者强度,把网络自然的划分为各个子群。根据向网络中添加边还是从网络中移除边,这类算法又可以分为两类原创 2021-09-03 17:45:15 · 3860 阅读 · 0 评论 -
度相关性与同配性
一、高阶度分布的引入平均度< k >=2M/N可以视为网络的0阶度分布特性,它除了告诉我们网络中有多少条边之外,并没有给出这些边是如何安置在网络中的任何信息。给定一个网络的节点数N和边数M,那么任一与该网络具有相同节点数和边数的网络模型也具有相同的平均度。网络的度分布P(k) =n(k)/N可以视为网络的1阶度分布特性,它刻画了网络中不同度的节点各自所占的比例,这里n(k)是网络中度为k的节点数。如果随机地从网络中选取一个节点,那么该节点度为k的概率即为P(k)。显然,度分布中已经包含了平均原创 2021-09-03 16:00:45 · 5897 阅读 · 0 评论 -
幂律分布及性质
一、幂律分布及其检验在上篇文章中说到,许多实际网络的度分布曲线都具有长尾形状。那么什么样的分布函数具有长尾形状呢?答案就是幂律分布。1、幂律分布定义很多实际网络的度分布并不服从具有均匀特征的泊松分布,而是可以较好的用如下形式的幂律分布来表示:其中λ\lambdaλ>0为幂指数,通常取值在2与3之间。2、幂律分布的检验2.1 双对数坐标系中的直线判断一个网络的度分布P(k)是否是幂律分布可以看双对数坐标系中的直线。假设我们要验证是否存在比例常数C和幂指数λ\lambdaλ,使得近似的有原创 2021-09-02 21:47:30 · 5543 阅读 · 0 评论 -
度分布的概念及形状
一、度分布的概念把网络中节点的度按从小到大排序,从而统计得到度为k的节点占整个网络节点数的比例怕pk_kk。例如下图:从概率统计的角度看,pk_kk也可以视为网络中一个随机选择的节点的度为k的概率,这就是度分布的概念。无向网络的度分布P(k)定义为网络中一个随机选择的节点的度为k的概率。有向网络的出度分布P(kout^{out}out)定义为网络中随机选取的一个节点的出度为kout^{out}out的概率;入度分布P(kin^{in}in)定义为网络中随机选取的一个节点的入度为kin^{in}i原创 2021-09-02 17:01:04 · 6917 阅读 · 0 评论 -
无权无向和加权网络的聚类系数
一、无权去向网络情形1、聚类系数定义我们可以用聚类系数刻画某个节点相邻的两个节点彼此也相邻的概率。网络中一个度为ki_ii的节点i的聚类系数Ci_ii定义为:其中Ei_ii是节点i的ki_ii个邻节点之间实际存在的边数,即节点i的ki_ii个邻节点之间实际存在的邻居对的数目。这里如果节点i只有一个邻节点或没有邻节点,即ki_ii=1或ki_ii=0,那么Ei_ii=0,此时上式分子分母全为零,我们记Ci_ii=0,显然0<=Ci_ii<=1,并且Ci_ii=0当且原创 2021-09-02 15:24:30 · 10031 阅读 · 3 评论 -
平均路径长度与直径
一、无权无向网络情形1、平均路径长度网络中节点i和节点j的最短路径也称为测地路径。节点i和节点j之间的距离dij_{ij}ij定义为连接这两个节点的最短路径上边的数目。也称为两个节点之间的测地距离或跳跃距离。网络的平均路径长度(也称特征路径长度或平均距离)L就是任意两个节点之间距离的平均值。即其中N为网络节点数。大型实际网络往往是不连通的,此时,可能两个节点之间不存在连通的路径,即意味着这两个节点之间的距离为无穷大,从而导致整个网络的平均路径长度也为无穷大。为了避免在计算时出现这种发散问题,可原创 2021-09-01 18:09:24 · 9979 阅读 · 0 评论 -
节点的度与网络稀疏性
一、度与平均度度:与节点直接相连的边的数目。平均度:网络中所有节点的度的平均值,记为。用ki_ii表示节点i的度。给定网络G的邻接矩阵A=(aij_{ij}ij)N∗N_{N*N}N∗N,我们有网络节点的度与网络边数M有如下关系:亦既有二、出度与入度1、有向网络的度有向网络节点的度包括出度和入度,节点i的出度是指从节点i指向其它节点的边的个数,节点i的入读是指其它节点指向节点i的边的数目。节点的出度和入读也可以通过邻接矩阵的元素来表示:在有向网络中单个点的出度和入度可能不原创 2021-09-01 15:06:50 · 5166 阅读 · 0 评论 -
复杂网络的连通性
一、无向网络中的巨片许多实际的大规模复杂网络都是不连通的,但是往往会存在一个特别大的连通片,它包含了整个网络中相当比例的节点,这一连通片称为巨片。如下图所示一些关于网络拓扑性质的研究往往是针对巨片来研究的。二、有向网络中的蝴蝶结结构实际的大规模有向网络往往既不是强连通也不是弱连通的,但是许多有向网络往往有一个包含了网络中相当部分节点的很大的弱连通片,称为弱连通巨片。这一弱连通巨片又往往具有一种包含4个部分的蝴蝶结结构。(1)强连通核( Strongly connected core, SCC)原创 2021-09-01 11:09:24 · 2266 阅读 · 1 评论 -
介绍稳定匹配
一、稳定匹配的定义1、稳定分配方案这里以硕士研究生与导师之间的双向选择为例来说明稳定匹配问题。假设师生分配问题中一个老师可以带三个学生,而一个学生只能跟一个导师。这里我们可能提前联系的导师有好几个,可能答应了某个导师后又反悔,导师也可能被很多学生选择,所以这里就涉及到一个分配问题。若最后的分配方案能保证:(1)如果有学生想要换导师,那么没有教师愿意接受这名学生。(2)如果有教师想要换学生,那么没有学生愿意跟随这位教师。那么就称此师生分配方案是稳定的。我们可以对上述稳定分配方案的定义做进一步形原创 2021-09-01 09:57:43 · 1667 阅读 · 0 评论 -
二分图与匹配问题
一、二分图的定义给定图G=(V,E)。如果顶点集V可分为两个互不相交的非空子集X和Y,并且图中的每条边(i,j)的两个端点i和j分别属于这两个不同的顶点子集,那么就称图G为一个二分图,记为G=(X,E,Y)。如果在子集X中的任一顶点i和子集Y中的任一顶点j之间都存在一条边,那么就称图G为一个完全二分图。如下图所示:在网络科学研究中,二分图也称为二分网络、从属网络和二模网络。二、二分图的判断方法在网络中任意选取一点,把该节点以及与该节点距离为偶数的所有其他节点的集合记为X,把与该节点的距离为奇数的节原创 2021-09-01 07:55:56 · 1213 阅读 · 0 评论 -
生成树与最小生成树
一、树包含N个顶点的无向图G称为一棵树,它满足以下任意一个条件:(1)图G是连通的并且有N-1条边。(2)图G是连通的并且不包含圈。(3)图G不包含圈并且有N-1条边。(4)图G中任意两个顶点之间有且只有一条路径。(5)图G中任意一条边都是桥,即去掉图G中的任意一条边都会使图变得不连通。上图中第一颗树是自由树,因为很难看出树根。通过把某个顶点设定为根,就可以得到树的层次表示,称为根数,如第二颗树所示。二、广度优先搜索算法以上图为例,利用广度优先搜索算法寻找该图的包含某个顶点(例如顶点1原创 2021-08-31 22:13:16 · 825 阅读 · 1 评论 -
路径与连通性
一、路径相邻顶点之间的边称为路径。回路:起点和终点相同的路径称为回路。简单路径:各个顶点都互不相同的路径称为简单路径。圈:从一个起点出发,经过互不相同的顶点后,然后再回到起点的一条路径成为圈。二、连通性如果一个无向图每一对顶点之间都至少存在一条路径,则称为是连通的,否则就称该图是不连通的。一个不连通图是由多个连通片组成。连通片是满足如下两个条件的子图:(1)连通性:子图中任意两个顶点之间都存在路径。(2)孤立性:不属于该子图的任意顶点与子图中的任意顶点之间都不存在路径。包含顶点数最多的连通原创 2021-08-31 18:28:07 · 2127 阅读 · 0 评论 -
共引与文献耦合
这里我们以引文网络为例,介绍从一个有向网络得到无向网络的两种对偶方法:共引与文献耦合。一、共引网络在一个有向引文网络中,一个节点表示一篇文章,如果文章i引用了文章j,那么就有一条从节点i指向节点j的有向边。两篇文章的共引就是指同时引用这两篇文章的其他文章的数量。我们可以构造无向的共引网络如下:如果两篇文章被至少一篇其他文章同时引用,那么在对应的两个节点之间就有一条无向边。上图给出的是5篇文章之间的引用关系示意图,文章B和文章D同时被文章A引用,文章D和文章E同时被文章B和文章C引用,从而可以得到上图原创 2021-08-31 14:09:07 · 2230 阅读 · 0 评论 -
图的计算机表示
一、邻接矩阵ai_iij_jj表示第i行第j列的元素。从顶点i到顶点j若有权值,ai_iij_jj的值就为权值,否则为0。1、加权有向图上图的邻接矩阵表示为:2、加权无向图上图邻接矩阵表示为:3、无权有向图邻接矩阵表示为:4、无权无向图邻接矩阵表示为:二、邻接表与三元组无向图的邻接矩阵是对称矩阵,即对任意i和j都有ai_iij_jj=aj_jji_ii。因此,对于无向图,只需要存储邻接矩阵的上三角即可。邻接矩阵中大部分元素为0的矩阵称为稀疏矩阵。表示原创 2021-08-31 10:40:28 · 208 阅读 · 0 评论 -
网络与图表示
1、图的定义图由点集V和边集E组成。一个具体的网络可以抽象成由点集V和边集E组成的图G=(V,E)。网络中的点通常成为节点,图中的点通常称为节点,这里我们不做区分。2、图的类型按照图中的边是否有权和是否有向,可以分为4种类型。分别为加权有向图、加权无向图、无权有向图和无权无向图,它们之间的关系如下:2.1 加权有向图边是有向的和有权的图称为加权有向图。2.2 加权无向图边是无向的但有权的图称为加权无向图。加权无向图可以通过对加权有向图对称化处理得到。分为两步:(1)把有向图转化为原创 2021-08-31 09:49:28 · 865 阅读 · 0 评论