02复杂网络分析中的基本概念

复杂网络分析的基本概念

1.复杂网络的表达方式

1.1 图表达

用节点和边的方式以图形的形式来进行表达

图的描述：

• 组成部分：节点，顶点
  • N=6
• 相互作用：连边，边
  • L=5
• 系统：网络，图
  • （N,L）

1.2 集合表达

网络G=(V,E),由点集V(G)和边集E(G)组成的一个图,可分为无向，有向和加权网络

上述图表达的网络结构的集合表达为：

V : 点 集 { 1 , 2 , 3 , 4 , 5 , 6 } V:点集 \{1,2,3,4,5,6\} V:点集{1,2,3,4,5,6}

E : 边 集 { e 1 , e 2 , e 3 , e 4 , e 5 } E:边集\{e_1,e_2,e_3,e_4,e_5\} E:边集{e1​,e2​,e3​,e4​,e5​}

令$e_iϵE(G)$,每条边$e_i$有$V(G)$中的一对点$(u,v)$与之对应；如果任意$(u,v)$与$(v,u)$对应同一边，则称为无向网络，否则为有向网络；如果任意的$|e_i|=1$,则称为无权网络，否则称为加权网络

1.3 链接矩阵表达

行列代表网络中的节点，如果两个节点之间无连接，则对应位置为0；否则为对应边的权重。

上述网络结构的链接矩阵的表现形式为：

$$A=\begin{array}{cccccc}0& 0& 1& 0& 0& 0\\ 0& 0& 1& 0& 0& 0\\ 1& 1& 0& 1& 0& 0\\ 0& 0& 1& 0& 1& 1\\ 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 1& 0& 0\end{array}$$

构造$Laplace$矩阵$L=K-A$;其中$A$为网络的链接矩阵,$K$为一对角矩阵,对角线上的元素对应网络中各个节点的度

上述网络结构的$K$矩阵为：

$$K=\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0\\ 0& 0& 3& 0& 0& 0\\ 0& 0& 0& 3& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}$$

则其$Laplace$矩阵为:

$L=\begin{array}{cccccc}1& 0& -1& 0& 0& 0\\ 0& 1& -1& 0& 0& 0\\ -1& -1& 3& -1& 0& 0\\ 0& 0& -1& 3& -1& -1\\ 0& 0& 0& -1& 1& 0\\ 0& 0& 0& -1& 0& 1\end{array}$

网络的拓扑

• 节点之间的相互联系的模式

2.度、平均度、度分布

2.1 度：与节点之间相连的连边数

上述网络结构中，各个节点的度为：

• $k_1=1,k_2=3,k_3=2,k_4=2$

度的计算方法：

• 链接矩阵中，节点的度为矩阵对应行的元素和

2.2 平均度

对于无向网络：

$<k>=\frac{1}{N}{\sum }_{i=1}^N{K}_i=\frac{2L}{N}$

其中N为网络节点数目，L为网络边的数目

上述网络结构中平均度$<k>=2$

2.3 度分布

Q:如果两个网络的平均度相等，那么两个网络是否具有相同的性质？

需要考虑两个网络的度分布情况

定义：

网络的度分布是指：我们将网络中节点的度值从小到大排列，统计度值为k的节点占整个网络节点数的比例$P(k)$，即$P(k)=N_k/N$

3.路径、距离与介数

3.1 路径

定义:

一条路径是指一个节点序列，其中每一对相邻的节点之间都有一条连边

路径的表示：

$P_{0,n}=i_0,i_1,i_2,...i_n$

P 0 , n = { ( i 0 , i 1 ) , ( i 1 , i 2 ) , ( i 2 , i 3 ) , . . . . ( i n − 1 , i n ) } P_{0,n}=\{(i_0,i_1),(i_1,i_2),(i_2,i_3),....(i_{n-1},i_n)\} P0,n​={(i0​,i1​),(i1​,i2​),(i2​,i3​),....(in−1​,in​)}

如上图中:$P_{1,6}=1,2,3,5,7,6$

最短路径：

两个节点之间可能存在多条路径，最短路径是指连接这两个节点的边数最少的路径

两个节点之间的最短距离：

两个节点之间的最短路径上的边数目

两点间路径的条数

$记N_{i,j}为节点i,j之间路径的条数,记A_{i,j}为节点i,j之间的最短距离$

• 如果节点i,j之间存在一条连边，那么$A_{i,j}=1$,否则$A_{i,j}=0$
• 如果节点i,j之间存在一条长度为2的路径,那么一定存在节点k，使得$A_{i,k}{A}_{k,j}=1$,反之$A_{i,k}{A}_{k,j}=0$

节点i,j之间距离为2的路径数量的计算方法为：

$N_{i,j}^2={\sum }_{k=1}^N{A}_{i,k}{A}_{k,j}=[A^2{]}_{i,j}$

则节点i,j之间距离为n的路径的数量的计算方法为：

$N_{i,j}^n=\sum \sum ...\sum A_{i,k_1}{A}_{k_1,k_2}...A_{k_{n-1},j}=[A^n{]}_{i,j}$

3.2 距离

网络直径：

直径$d_{max}$:网络中任意两点间最短距离的最大值

网络平均距离：

对于一个连通图，平均最短路径长度：

$<d>=\frac{1}{n(n-1)}{\sum }_{i,j\ne i}{d}_{i,j}$

其中$d_{i,j}$表示从节点i到节点j的最短距离,n表示网络中结点的数目

常见网络结构分析

3.3 介数

定义

任意一对节点间最短路径所经过的次数

点介数：路径经过某个节点的次数，称之为该节点的点介数

边介数：路径经过某条边的次数，称之为该条边的边介数

介数反映了相应的节点或边在整个网络中的作用和影响力，是一个全局几何量

4.集聚系数

定义1：

节点$k_i个邻居节点之间实际存在的边数E_i和总的可能边数之比$

$C_i=\frac{2e_i}{k_i{k}_i-1}$

定义2：

$C_i=\frac{包含节点i的三角形数目}{以节点i为中心的连通三元组数目}=\frac{{\sum }_{jk}{a}_{ij}{a}_{jk}{a}_{k_i}}{{\sum }_{jk}{a}_{ij}{a}_{ki}}$

网络中所有节点的集聚系数的平均值

$<C>=\frac{1}{N}{\sum }_{i=1}^N{C}_i$

网络的传递性

$T=\frac{网络中三角形数目}{网络中连通三元组的数目/3}$

• 如果网络中任意两个节点有连接，则T=1
• 如果网络中无三角形连接，则T=0

5.网络的稀疏性与连通性

完全连接网络：

如果一个网络中任意两个节点之间都有连边存在，则称其是一个完全连接网络，它的平均度$<k>=N-1$,拥有连接边的数目$L_{max}=N(N-1)/2$

网络的稀疏性

定义：

网络的稀疏度定义为网络中实际存在的边数与最大可能的边数之比

$\frac{L}{L_{max}}=\frac{2L}{N(N-1)}$

其中，L:网络中实际存在的边数 N：网络中的节点数

无向网络的连通

连通图：

网络中任意两个节点之间都至少存在一条路径

最大连通集团：

含有节点数最多的连通子图

6. 度相关性

门当户对 or 抱大腿?

节点间度值的关系

1. 同配
   • 度大节点倾向于连接度大节点
2. 异配
   • 度大节点倾向于连接度小节点
3. 中性
   • 节点间的连接与他们自身的度值无关

如何衡量网络的度度相关性

1. 可视化描述

   $e_{j,k}$:网络中随机选取的一条边的两个端点的度分别为j和k的概率

   ${\sum }_{j,k}{e}_{j,k}=1$ ${\sum }_j{e}_{j,k}=q_k$

   $q_k$:网络中随机选取的一条边的端点的度为k的概率

   $q_k=\frac{k{p}_k}{<k>}$

   $q_k=Ck{p}_k$,C为归一化常数,$C=1/<k>$

   如果网络不具有度相关性： $e_{j,k}=q_j{q}_k$

   计算网络的$e_{j,k}$,并对其进行可视化，观察$e_{j,k}$的分布，从而判断网络的度相关性

   

2. 度相关函数

   

   

3. 相关系数

   

   

4. 皮尔逊相关系数

7. 富人俱乐部现象

现实生活中：富人的圈子问题？

8. 有向网络

在网络链接矩阵中的体现：$A_{i,j} \neq A_{j,i} $

有向网络的衡量：

• 平均入度

  • 平均入度=平均出度

• 平均出度

• 平均度

  • $<k>=\frac{L}{N}$,其中L为连接边数目，N为节点总数

• 在有向网络中，路径仅能沿着箭头的方向，因此，在有向网络中，从A到B的最短路径可能不等于从B到A的最短路径

• 有向网络的集聚性：

  • 参考文献

• 有向网路的连通性：
  • 弱连通
    • 将有向网络中所有边替换为无向边，替换后的无向网络是一个连通图，则称该网络为弱连通图
  • 强连通
    • 有向网络中任意两个节点间都存在路径

9. 加权网络

链接矩阵元素的值不一定为0或1，存在其他值

加权的不同定义：

1. 相似权

概念与距离相反，边的权重越大，顶点之间就越亲近

2.相异权

概念与距离相同，边权越大，顶点之间的距离越远

节点之间距离的计算

加权网络集聚系数的计算