课程4基于Barabási的《network science》第5、6章。
之前的随机网络不能产生hubs的原因是N已固定(static models),而现实生活中节点总数一定是不断变化的,例如citation network。同时哪些点之间有link也完全是随机的,但是我们可以想见,当一个点的度越多时,其越有可能和其他点再连接(比如有影响力的论文会被越来越多地引用)。
基于这两点,Barabási model考虑growth(即节点总数的变化为增长)和preferential attachment来建立模型,越old的节点,其度随着t增长越大(度动力学)。且模型具有power law。度分布独立于t→度分布是稳定的;度分布独立于N(5.5 degree distribution)。如果缺了growth,那么度分布为稳定的指数分布,指数分布比幂函数衰减快得多,网络中很难出现hub;如果缺了preferential attachment,那么度分布没有稳定的分布,网络收敛成完全图。两个条件缺了任何一个都构成不了scale-free network。
总而言之,Barabási model生成了度指数γ=3的无标度网络。
(5.7对现实里的preferential attachment的度量,再好好理解一下)
然而!事情并没有那么简单,最开始的互联网搜索引擎并非google和facebook,但是现在它们一定是度相当大的节点。所以Barabási model里节点越old,度的值越大的说法显然是有问题的。因为会有结点”死亡“,会有结点突然特别受欢迎,所以需要另一个变量来刻画这个性质,即fitness。含这个特性的模型称为Bianconi-Barabási model。
当我们在growth步加入一个新的node时,不仅有m条新links,且有一个fitness值,这个值是不会变的。当我们在preferential attachment步,这个fitness值会和度的大小相乘,一起作为连接link的概率。
在Barabási model里,power exponent β=0.5,每个node的度按时间的平方根速度增长;
在Bianconi model里,node有各自的β,fitness高的node,degree增长快。时间够长,后出现但fitness大的node的度也会超过先出现但fitness小的node。
这两类模型刻画了网络随时间演化的机制,所以称为演化网络模型(evolving network models),前者是人们研究最多的模型,而后者更考虑到了节点更popular的特性-fitness适应性。