网络形成模型
尽管现实中网络(社交网络、生物网络...)存在于各个领域但他们之间存在一些相同的特征(直径相似(6度理论),度较高的节点帮助聚类等),网络形成模型可以帮助我们更深入挖掘此类特性等。换句通俗语言,知道怎么来的,可以指导我们怎么用。
真实网络的共性
现实中的网络最明显两个特征就是网络大,且非常稀疏
Small-world性质
平均路径长度 大小和 (网络中节点数)对数比例相关:
Scale-free性质(幂定律分布)
绝大多数节点有很少量的度(边),而小部分节点有很大的度(边)
一个节点有 度的概率:
log-log图上为一条直线:
Clustering effect
如果两个节点有相同邻居,那么这两个节点链接的概率高
Erdös-Rényi Random graph model
:一个网络有 个节点,每两个节点连接的概率为
很明显,如果网络比较小( 比较小 ),则服从二项分布;若网络较大 (较大, 相对小)则泊松分布
但是实际中网络并非泊松分布的,起码有一些中心点,节点的度更广,下图为ER model的网络与实际对比
Watts-Strogatz small world graph model
这个模型相较上面完全随机网络加入了small world特征(6度理论),平均路径长度比随机网络短。所以这个模型网络中大部分的节点彼此并不相连,但绝大部分节点之间经过少数几步就可到达。
集聚系数(Cluster coefficient)
描述图或网络中的顶点(节点)之间结集成团的程度的系数。具体来说,是一个点的邻接点之间相互连接的程度。例如在社交网络中,你的朋友之间相互认识的程度。一个节点 的集聚系数 等于所有与它相连的顶点相互之间所连的边的数量,除以这些顶点之间可以连出的最大边数。显然 是一个介于0与1之间的数。 越接近1,表示这个节点附近的点越有“抱团”的趋势。
构造思路
首先从一个规则的网络开始。这个网络中的 个节点排成正多边形,每个节点都与离它最近的 个节点相连。其中 是一个远小于 的正整数。
选择网络中的一个节点,从它开始(它自己是1号节点)将所有节点顺时针编号,再将每个节点连出的连接也按顺时针排序。然后,1号节点的第1条连接会有 的概率被重连。重连方式如下:保持1号节点这一端不变,将连接的另一端随机换成网络里的另一个节点,但不能使得两个节点之间有多于1个连接。
重连之后,对2号、3号节点也做同样的事(如果这其中有连接已经有过重连的机会,就不再重复),直到绕完一圈为止。 再次从1号节点的第2条连接开始,重复第2个步骤和第3个步骤,直到绕完一圈为止。 再次从1号节点开始,重复第4个步骤,直到所有的连接都被执行过第2个步骤(重连的步骤)。
由于 个连接里每个连接都恰好有一次重连的机会,所以这个过程最后总会结束。最后得到的网络称为WS模型网络。
WS集聚系数表达式:
Barabási-Albert Scale-free model
初始化:由含 个节点的初始网络开始
一次加一个节点,新节点链接到 个已存在节点,其概率与现有节点已有的链路数成比例。新节点链接已存节点 的概率为: , 为节点 的度,并且在所有预先存在的节点j上进行求和(比如分母是网络中当前边缘数的两倍)。重度链接的节点(hubs)倾向于快速累积更多链路,而仅具有少量链路的节点不太可能被选择作为新链路的目的地。新节点具有将其自身附加到已经高度链接的节点的“偏好”。
Last updated