探索网络的结构规律.docVIP

关于网络结构规则的探索分析 本文介绍，我们通过将这些网络节点进行分组来考虑网络的结构规则性问题。同一分组的网络节点拥有连接其他分组的相似模式。另外，我们利用一般的统计学模型来描述网络结构。在这个模型里，分组被看作是隐藏着的或者未被发现的量，他们通过匹配被发现的那些运用最大期望算法得到的网络数据被学习。与现有的模型比较，我们的模型的最突出的优势是高灵活性。这种优势可以 使他拥有现有模型的长处和以一种统一的方式克服他们的缺点。最终，不仅会有更多的结构类型被发现，无需事先知道网络具有何种类型的结构规则，而且被鉴定的结构类型可以直接从数据中学习。另外，通过区分出边和入边，我们的模型可以发现一些结构规则的类型超过了竞争模型。通过测试大量的现实世界和人工网络得出结论：我们的模型在揭示网络结构特征方面胜过最先进的模型。包括重叠社区结构，多重结构，还有其他的一些超过现有的模型的能力的结构类型。 简介 网络提供了一个有力的工具来代表复杂系统的结构。这些网络包括社会网络，信息网络，和生物网络。很多近期的网络研究实际上是旨在理解结构的规则性和进一步揭示这个结构的规则和网络的功能的联系。例如，作为一个被广泛研究的网络的结构特征，社区结构是值得感兴趣的，因为社区通常对应于功能单元类似于代谢网络的途径和网站上的微小热点的网页搜集。 社区结构是同配结构的一种，其中的节点被划分成不同的分组，从而是每个分组中的成员可以很好的相互联系。与社区结构相反，多重结构是另一种重要的结构规则，他从真实的世界网络中被发现。多重网络是指网络节点被划分成大多数的边穿过其中的分组。与这些突出的结构特征相比，其他类型结构也都是在现实世界网络中被发现的，例如层次结构和中心-外围结构。 但是，现有的方法大多是假设网络具有某种类型的结构规则，和致力于发现这中结构。这些引起了关于导致结构的真实性的关注。另一方面，这种假定的结构并不能与目标网络的内在结构相衬，而且这些方法也不能适用于这些情况。另一方面，一些真实世界网络同时包含了多种结构类型。多数已有的方法都是为确定的结构类型所设计，而不能用来发现更广泛的结构类型。另外，一些未知的结构类型或许也存在于网络中，同样需要设计用来发现他的方法。所以，是时候来探索网络中的多种类型的结构规则。 在过去的几十年，社区结构的认同吸引了多种科学领域。很多用来解决特别复杂网络的方法被提出和成功应用。回顾，读者可以查询Ref，这些方法源自不同的观点，像，中心措施，模块化，连接密度，渗流理论，网络压缩，和光谱分析。近来，一些网络数据的生成模型被提出用来发现社区结构。这些模型认为网络结构是被观察到的量，以社区作为隐藏的节点组。这个社区接着通过匹配模型和被观察的网络结构来被识别。例如，Ren et al，提出了一个用来发现重叠社区结构的概率模型。该模型假设每个边缘的两个终端节点来自同一社区，这种假设是模糊成员满意的节点。Zhang et al应用潜在狄利克雷分配(著名生殖LDA模型)对社会网络进行分析，给出了一个方法来检测社区结构。这两个模型的共同缺点是，他们只能发现社区结构和未能揭示其他类型的结构规则，如，多重结构等。 描述网络的分层结构，Clauset等人提出了分层随机图模型，这个模型能够表达选型和非选型结构。为了探索更广泛的结构类型，纽曼等人提出了一个混合模型的网络结构的探索性分析。在这个模型中，节点具有相似优先连接而不是高度连接的连接节点被分类到同一组。在这样一个通用方法中，该模型可以揭示一些社区结构之外的其他类型的结构规则。然而，这个模型不能告诉我们哪一种结构规则已被确认。更重要的是，这种模式可能产生这有一种结果：产生一个混合了几种类型的结构，从而确定结构可能无法提供明确的信息的结构规则。这种模式的缺点是归因于他只作为组和节点的模型关系而不是团体之间的关系。随机块模型提供了一种适当的可供选择的混合模型来探索更广泛的结构规则。卡勒等人利用一定程度上纠正了的随机块模型来调查网络的社区结构。Airoldi等人利用混合随机块模型完成网络数据模型，这些工作已经证明了随机块模型探索规则的网络是一个很好的选择。然而，这些模型的有效性是有限的模型假设，如，硬分区的假设或者忽略了边缘的方向性。 在本文中，我们专注于探索的网络的内在结构规则是通过将网络节点划分为组，每个组的成员连接到其他组的方式都是类似的模式。我们提出一个通用的随机块模型(本文称为GSB模型)模拟网络结构。在这个模型中，节点组作为未被观察到的或隐藏着的量和组间关系是被一种视作传统块模型的矩阵块模型所模拟。然后,使用最大期望算法，我们将这个模型与特定的网络数据对比，因而发现了网络的内在结构规则在并没有事先了解的某种类型规则