network science学习笔记——Barabási model和Bianconi-Barabási model

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。