[论文解读] Node-node distance distribution for growing networks

Krzysztof Malarz, JUSTYNA KARPIŃSKA+2 more|Sep 10, 2003

Complex Network Analysis Techniques参考文献 1被引用 4

一句话总结

本文提出一种基于仿真的方法，用于追踪增长网络中节点间距离（NND）分布，通过迭代更新距离矩阵来模拟指数树（m=1,2）和无标度树。推导出指数树中NND分布的n阶矩的解析公式，显示平均距离和离散度随网络规模呈对数增长，与小世界效应一致。

ABSTRACT

We present the simulation of the time evolution of the distance matrix. The result is the node-node distance distribution for various kinds of networks. For the exponential trees, analytical formulas are derived for the moments of the distance distribution.

研究动机与目标

• 使用距离矩阵更新方法，建模增长网络中节点间距离（NND）分布的时变演化。
• 分析不同连接规则（随机或优先连接）对指数网络和无标度网络中NND特性的影响。
• 推导指数树中NND分布n阶矩的解析表达式。
• 通过平均NND随网络规模对数增长的量化，揭示小世界效应。
• 提供一种计算高效的算法，用于模拟增长图中NND分布。

提出的方法

• 随着新节点的加入，动态更新距离矩阵S，新行/列条目基于最短路径规则计算。
• 对于m=1（树），新节点的距离设为s_{N+1}(i) = s_p(i) + 1，其中p为连接节点。
• 对于m=2（图），新节点的距离为s_{N+1}(i) = min(s_p(i), s_q(i)) + 1，其中p和q为连接节点。
• 通过重新评估步骤确保最短路径被保留：s_{N+1}(i,j) = min(s_N(i,j), s_N(i,p)+2+s_N(q,j), ...)。
• 通过基于Kertész风格的算法实现优先连接，使用节点度数作为选择权重。
• 推导出NND分布n阶矩的迭代公式，实现对统计特性的解析预测。

Figure 1: The NND distribution for different types trees and graphs.

实验结果

研究问题

• RQ1 在增长的指数网络和无标度网络中，节点间距离分布如何演化？
• RQ2 指数树中NND分布的n阶矩具有何种解析表达式？
• RQ3 NND的平均距离和离散度如何随网络规模N增长？
• RQ4 指数网络和无标度网络中NND分布的形状与集中度在多大程度上存在差异？
• RQ5 随着N增大，NND分布的高阶矩（偏度、峰度）是否趋近于正态分布的取值？

主要发现

• 平均节点间距离d_N^1随网络规模N呈对数增长，证实了小世界效应。
• 对于m=1的指数树，平均距离满足d(N) = 2.00 ln N - 2.84，离散度σ² = 2.00 ln N - 1.44。
• 对于m=1的无标度树，平均距离为d(N) = 1.00 ln N - 0.08，离散度σ² = 1.00 ln N - 1.64。
• 迭代公式（9）能准确预测指数树的n阶矩d_N^n，与10^4次模拟结果高度一致。
• 即使在N较大时，指数树中NND分布的偏度和峰度也不趋近于零，表明其具有非正态、非对称的行为特征。
• 图结构中的NND分布比树结构更集中，且无标度网络比指数网络更集中。

Figure 2: The main moments $d^{k}_{N}$ ( $k=1,\cdots,4$ ) for the exponential trees given by Eq. ( 9 ) (lines) and from the direct simulations (symbols). The latter are averaged over $N_{\text{run}}=10^{4}$ independent evolution process realizations.