[论文解读] Evolving Clustered Random Networks

Shweta Bansal, Shashank Khandelwal+1 more|Aug 4, 2008

Complex Network Analysis Techniques参考文献 35被引用 62

一句话总结

本文提出一种马尔可夫链蒙特卡洛算法，用于生成具有指定度序列和指定聚类水平的简单连通随机网络，同时在所有其他结构特性上保持随机性。该方法可构建零模型，以检验实证网络是否表现出超出度分布和聚类水平的非随机特征，结果表明真实网络通常具有显著的社区结构和度相关性，这些特征无法仅由上述因素解释。

ABSTRACT

We propose a Markov chain simulation method to generate simple connected random graphs with a specified degree sequence and level of clustering. The networks generated by our algorithm are random in all other respects and can thus serve as generic models for studying the impacts of degree distributions and clustering on dynamical processes as well as null models for detecting other structural properties in empirical networks.

研究动机与目标

• 开发一种生成具有指定度序列和聚类水平的随机网络的方法，同时保持所有其他结构特性的随机性。
• 构建零模型，以隔离度分布和聚类对网络动态和功能的影响。
• 实现对实证网络是否具有超出度和聚类的非随机结构特征的系统性检验。
• 提供一种动态、无记忆的过程，用于生成或演化具有受控聚类水平的网络。
• 评估聚类和度分布本身在多大程度上能解释现实系统中观察到的网络特性。

提出的方法

• 该算法使用马尔可夫链蒙特卡洛（MCMC）过程，通过随机重连边来生成网络，同时保持度序列不变。
• 通过随机选择边对并交换其端点来执行重连，确保度序列保持不变。
• 该过程包含一个梅特罗波利斯-黑斯廷斯接受准则，以确保细致平衡并收敛至目标平衡分布。
• 该算法被设计为收敛至所有具有给定度序列和目标聚类水平的简单图的均匀分布。
• 通过根据重连对网络中三角形数量的影响来接受或拒绝重连，从而控制聚类水平。
• 该方法为每个实证网络生成25个随机聚类网络的集合，以计算均值和偏差，用于比较。

实验结果

研究问题

• RQ1 度分布和聚类水平本身在多大程度上能解释实证网络的结构特性？
• RQ2 现实世界网络是否表现出显著的非随机特征（如社区结构或度相关性），这些特征超出了度和聚类所能捕捉的范围？
• RQ3 能否通过一种动态、无记忆的过程生成或演化具有受控聚类水平的网络，而无需从头开始重新初始化？
• RQ4 与随机化对应物相比，实证网络在直径、模块度和度相关性等网络特性上表现如何？
• RQ5 现实网络中的聚类是否主要是度分布的副产品，还是反映了社区形成或社会行为等潜在机制？

主要发现

• 美国航空交通网络与其中随机化对应物的偏差极小，表明其结构主要由度分布和聚类水平决定。
• 温哥华城市接触网络和天体物理合作网络的度同配性显著高于其随机化版本，表明存在超越三元闭包的社会机制。
• 所有自然网络（酿酒酵母、万维网、天体物理）的模块度均高于其随机化对应物，表明存在无法由聚类或度分布解释的强社区结构。
• 所生成的随机网络中，Soffer-Vasquez传递性和聚类系数得以保持，验证了该算法在控制聚类水平方面的准确性。
• 该算法成功生成了具有固定度序列和目标聚类水平的连通简单图，同时保持了低度相关性和短路径长度。
• 实证网络与随机化网络在直径、模块度和度相关性上的显著偏差表明，除度分布和聚类外，其他机制对真实网络建模至关重要。