[论文解读] A new structure entropy of complex networks based on Tsallis nonextensive statistical mechanics

Qi Zhang, Xi Lu+3 more|arXiv (Cornell University)|Nov 22, 2014

Statistical Mechanics and Entropy参考文献 30被引用 4

一句话总结

本文提出了一种基于Tsallis非广延统计力学的复杂网络新型结构熵，整合了局部（度）和全局（介数中心性）结构特性。通过利用非广延可加性，该方法提供了比仅基于度或介数的传统熵模型更全面、更精确的网络复杂性度量，实证验证表明其在衡量现实网络有序性方面具有更高的稳定性。

ABSTRACT

The structure entropy is one of the most important parameters to describe the structure property of the complex networks. Most of the existing struc- ture entropies are based on the degree or the betweenness centrality. In order to describe the structure property of the complex networks more reasonably, a new structure entropy of the complex networks based on the Tsallis nonextensive statistical mechanics is proposed in this paper. The influence of the degree and the betweenness centrality on the structure property is combined in the proposed structure entropy. Compared with the existing structure entropy, the proposed structure entropy is more reasonable to describe the structure property of the complex networks in some situations.

研究动机与目标

• 解决现有结构熵仅聚焦于复杂网络的局部（度）或全局（介数）特性的局限性。
• 开发一种统一的结构熵模型，更全面地捕捉局部与全局结构特征。
• 应用Tsallis非广延统计力学来建模复杂网络中结构贡献的非可加性。
• 验证所提出的熵作为衡量网络结构复杂性的更有效、更合理指标，相较于基于Shannon或仅基于度/介数的熵。

提出的方法

• 所提出的结构熵源自Tsallis非广延统计力学，使用非广延参数q来建模结构组件的非可加行为。
• 通过加权归一化方案，将节点度与介数中心性整合为统一的概率分布。
• 熵的计算公式为 $ E_T = - rac{1}{q-1} ig( ilde{p}_i^q - 1 ig) $，其中 $ \tilde{p}_i $ 是基于度与介数共同导出的归一化概率。
• 非广延参数q用于控制对结构异质性的敏感度，从而实现对网络复杂性的更灵活描述。
• 对度与介数值进行归一化，确保所得概率在不同网络规模与拓扑结构下保持一致。
• 该方法应用于合成无标度网络及现实网络（如美国机场网、电子邮件网、酿酒酵母PPI网）以评估其性能。

实验结果

研究问题

• RQ1 是否一种整合了度与介数中心性的结构熵模型，能比仅基于单一属性的模型更准确地表征复杂网络结构？
• RQ2 使用Tsallis非广延统计力学在多大程度上改善了对具有非可加特征的网络结构复杂性的建模？
• RQ3 所提出的熵是否能一致地对现实网络的复杂性进行排序，且与已知的结构特性保持一致？
• RQ4 非广延参数q在多大程度上增强了熵度量对多样化网络类型的敏感性与适应性？

主要发现

• 所提出的基于Tsallis的结构熵 $ E_T $ 一致地低于基于度的（$ E_{\text{deg}} $）和基于介数的（$ E_{\text{bet}} $）熵，表明在新模型下网络结构更有序。
• 对于无标度网络，随着优先连接次数 $ K $ 的增加，$ E_T $ 减小，证实了该模型与已知网络生长动力学的一致性。
• 在现实网络中，$ E_T $ 将美国机场网络排为最有序（$ E_T = 1.1016 $），其次为电子邮件网、德国高速公路网和酿酒酵母网，该排序与 $ E_{\text{deg}} $ 和 $ E_{\text{bet}} $ 一致，验证了其可靠性。
• 在无标度网络中，$ E_T $ 随 $ K $ 增加而单调递减，表明网络更趋近于更有序状态，该模型成功捕捉了这一趋势。
• 模型对结构异质性表现出有效敏感性，表现为在多样化现实网络中，网络复杂性排序稳定且具有实际意义。
• 结果证实，通过Tsallis非广延性整合度与介数，可提供比现有方法更全面、更精确的网络结构复杂性度量。