04小世界网络

小世界网络

1.知识背景

六度分离理论

此背景可以抽象出网络中的性质：

1. 网络平均距离小
2. 网络集聚系数大

网络世界中小的含义：

• 在$ER$网络中,平均距离$<d>=\frac{logN}{log<k>}$

  • 现实世界中大多数网络与$ER$网络的平均距离的量级相似
  • 网络的平均距离与网络规模的对数成正比

• 在$ER$网络中,集聚系数$<C_i>=p$

  • 现实世界中大多数网络的集聚系数要比$ER$网络中的大

2. WS模型

小世界模型算法：

首先给定一个含有N个节点的环状最近邻连接网络，其中每个节点都与它左右相邻的各m个节点相连,然后以概率p随机的重新连接网络中原有的每条边,得到WS小世界网络

算法步骤：

1. 在环上按顺时针方向依次访问每个节点
2. 假设节点i为当前被访问的节点。顺时针选取与节点i相连的m条边中的每一条边,边的一个端点仍然固定为i,以概率p随机的选取网络中的任一节点作为该边的另一端点，以概率1-p保持另一端点位置不变
3. 在随机连接边过程中，不允许出现重边和自环

重连概率p与生成网络模型的关系：

$p=1$对应$ER$随机网

小世界网络的性质

• 当重连概率p较小时，网络既具有较短的平均路径长度又具有较高的集聚系数
• 小世界网络：
  • 具有较小的平均距离
  • 具有与原始最近邻网络相似的集聚系数
• 当N固定式,让$p>\frac{1}{2mN}$,就可以出现小世界网络

3. 小世界网络中的导航

背景知识：

在社交网络中，A如何以最快的速度将信息传递给B？

知道社交网络的全局信息? or 局部信息?

网络的可导航性

由于实验者都无法全面把握身处的网络结构，即实验者只拥有局部信息而非全局信息。

解决办法

$Kleinberg$提出了一种分散式贪婪算法用以描述整个搜索过程该算法只需要了解搜索目标的地理位置以及与当前信息传递者存在连边的所有节点的地理位置。整个搜索过程中，实验者都将信息传递给所有邻居节点中离搜索目标网格距离最近的节点

上述算法的创新点

1. 假设了空间位置会对社会搜索产生影响
2. 实际过程中，地理位置对个体间的交互作用有较强影响；人们更倾向于频繁的与在附近生活或工作的人互动

指标

如果说一个网络的搜索时间复杂度随着网络的规模N呈对数多项式增长，则称该网络可导航

传递步数也可作为衡量指标之一

实际操作过程