[论文解读] Clustering in random geometric graphs on the hyperbolic plane

Elisabetta Candellero, Nikolaos Fountoulakis|arXiv (Cornell University)|Sep 2, 2013

Complex Network Analysis Techniques被引用 5

一句话总结

本文分析了嵌入在双曲平面上的随机几何图中的全局聚类系数，该模型由 Krioukov 等人提出，用于捕捉复杂网络的层次结构。本文严格推导出一个显式公式，表明可通过模型参数调节聚类系数，建立了几何参数与网络聚类行为之间的定量联系。

ABSTRACT

Clustering is a fundamental property of complex networks and it is the mathematical expression of a ubiquitous phenomenon that arises in various types of self-organized networks such as biological networks, computer networks or social networks. In this paper, we consider what is called the global clustering coefficient of random graphs on the hyperbolic plane. This model of random graphs was introduced recently by Krioukov et al. as a mathematical model of complex networks, which naturally embeds the (tree-like) hierarchical structure of a complex network into a hyperbolic space. We give a rigorous analysis of clustering and characterize the global clustering coefficient in terms of the parameters of the model. We show that the global clustering coefficient can be tuned by such parameters and we give an explicit formula for this function.

研究动机与目标

• 理解在双曲平面上建模的复杂网络中聚类现象的数学起源。
• 分析双曲平面上随机几何图的全局聚类系数。
• 表征聚类系数如何依赖于模型的几何与拓扑参数。
• 提供全局聚类系数的闭式表达式，从而实现在网络模型中对聚类的精确控制。

提出的方法

• 本研究采用一种随机几何图模型，其中节点按照具有幂律度序列的双曲空间分布进行分布。
• 使用标准定义计算全局聚类系数：即闭合三元组数量与网络中三元组总数的比值。
• 应用双曲几何与随机几何的分析技术，推导聚类系数的期望值。
• 推导过程考虑了双曲几何中空间的指数增长特性，以及由此导致的由于几何邻近性而产生的高聚类现象。
• 该模型引入一个控制节点角向集中度的参数，该参数直接影响聚类程度。
• 推导出全局聚类系数的显式公式，其表达式依赖于模型的参数，包括双曲半径和度分布指数。

实验结果

研究问题

• RQ1 在双曲平面上的随机几何图中，全局聚类系数的行为如何？
• RQ2 全局聚类系数如何依赖于模型的几何与拓扑参数？
• RQ3 是否可以通过调节双曲随机图模型中的参数来系统性地调节聚类系数？
• RQ4 该模型中全局聚类系数的解析表达式是什么？

主要发现

• 双曲随机几何图模型中的全局聚类系数由模型参数显式决定，尤其是双曲半径和度序列指数。
• 即使在网络规模趋于无穷大时，聚类系数仍保持较高水平，反映出双曲空间固有的几何特性。
• 通过角向集中度参数，模型可实现对聚类的精确控制，从而可独立于度分布调节聚类系数。
• 推导出的公式表明，聚类程度随双曲半径减小或节点角向集中度增加而提高。
• 聚类系数的解析表达式在热力学极限下成立，并满足模型的标准假设。
• 结果证实，双曲随机图模型天然生成高聚类特性，与现实复杂网络中的经验观察一致。