[论文解读] Minimal models of weighted scale-free networks

S. N. Dorogovt︠s︡ev, J. F. F. Mendes|arXiv (Cornell University)|Aug 15, 2004

Complex Network Analysis Techniques参考文献 51被引用 18

一句话总结

本文提出了一种最小化、可解的演化加权无标度网络模型，其中新顶点偏好连接至高权重边，边权重动态更新。该模型生成了边权重、顶点度数和顶点强度的幂律分布，其解析推导的指数与实证及随机网络行为一致，为现有随机模型提供了一种确定性替代方案。

ABSTRACT

We consider a class of simple, non-trivial models of evolving weighted scale-free networks. The network evolution in these models is determined by attachment of new vertices to ends of preferentially chosen weighted edges. Resulting networks have scale-free distributions of the edge weight, of the vertex degree, and of the vertex strength. We discuss situations where this mechanism operates. Apart of stochastic models of weighted networks, we introduce a wide class of deterministic, scale-free, weighted graphs with the small-world effect. We show also how one can easily construct an equilibrium weighted network by using a generalization of the configuration model.

研究动机与目标

• 开发最小化、非平凡且可解析处理的演化加权无标度网络模型。
• 探讨边权重偏好连接如何导致加权网络中无标度分布的产生。
• 通过广义配置模型构建具有小世界特性及平衡状态的确定性无标度加权图。
• 建立一个框架，将边权重动态与网络结构属性（如度、强度和聚类）联系起来。

提出的方法

• 新顶点根据边权重的大小，以与边权重成比例的概率偏好连接至现有边。
• 在连接发生时动态更新边权重，确保网络随时间演化并增加权重异质性。
• 通过迭代地将顶点添加至高权重边，构建一种确定性、类分形图，保持无标度特性。
• 推导边权重和顶点强度的累积分布，以与随机模型比较，得出幂律指数。
• 通过精确枚举分析强度和度分布，得出尺度指数的闭式表达式。
• 将局部聚类计算为度的函数，得出 C(k) = 2/k，且与模型参数无关。

实验结果

研究问题

• RQ1 对高权重边的偏好连接如何影响加权网络中无标度特性的出现？
• RQ2 在确定性加权网络中，边权重、顶点度数和顶点强度分布的解析尺度指数是什么？
• RQ3 能否通过简单的增长机制构建一种具有小世界效应的确定性无标度加权图？
• RQ4 确定性加权网络的结构属性与随机模型及真实世界网络相比如何？
• RQ5 边权重再分配在塑造网络的度和强度分布中起什么作用？

主要发现

• 边权重的累积分布遵循幂律，指数为 γw − 1 = ln(3+Δ)/ln(1+Δ)，生成具有解析推导指数的无标度分布。
• 顶点强度分布呈现幂律形式，指数为 γs − 1 = ln(3+Δ)/ln(2+Δ)，表明强度具有无标度行为。
• 确定性图的度分布与强度分布形式相同，均遵循相同的幂律标度。
• 局部聚类系数为 C(k) = 2/k（k为顶点度数），且与模型参数Δ无关，与其它无标度网络结果一致。
• 该模型成功再现了真实加权网络的关键特征，如偏好连接强连接，为随机模型提供了一种确定性替代方案。
• 引入广义配置模型以构建平衡加权网络，将经典随机图理论扩展至加权无标度系统。