网络科学中的互联网加-科学网.pdfVIP

网络科学中的互联网加 ——理念、评述和展望 史定华 上海大学数学系，上海 200444 摘要：本文从互联网加的角度回顾网络科学的某些进展。众所周知网络科学的第一波浪潮， 互联网加大数据，是由外国学者在千禧年前夕掀起的。紧接着的网络科学的第二波浪潮，互 联网加动力学，则是由中国学者发动的。我们预测，网络科学的第三波浪潮，互联网加博弈 论和纯数学研究或许即将来临。衷心希望中国年轻学者对网络科学做出更大的贡献。 关键词：网络科学，互联网加，大数据，动力学，博弈论，纯数学 互联网+大数据 众所周知，网络科学第一波浪潮是由外国学者掀起的。他们利用互联网获取大量实际网 络的数据，提出了与传统随机图论不同的网络模型，通过实证统计和模型分析发现了大多数 网络具有小世界和无标度特性。小世界特性由网络平均路径和群集系数刻画；无标度特性由 网络度分布描述。主要的结果是：网络(节点之间的)平均路径 l ~ ln N ，网络(节点)度分布 P (k ) ~ k  ，其中N 为网络节点数，1 为网络自身决定的常数，而网络群集系数大仅只 [1] [2] 是定性说法。基本的网络模型有：随机网络 ER 模型 ；小世界网络 WS 模型 ；无标度网 络 BA 模型[3] 。小世界特性经过发展在信息检索中有着重要的应用，这应归功可导航网络模 型[4] 的提出。这类网络不仅易于形成短的路径，而且人们还可利用网络的局部信息找到这条 短路径。可导航网络赋予节点坐标信息，然而实际信息往往是节点连接数目或其它。而无标 度特性研究虽报道了不少观察结果：如对蓄意攻击 hub 节点脆弱而对节点的随机失效稳健， [5] 及当 3 时，疾病容易在网上传播等，但都存有争议，见NSR 上文章 的相关介绍。 网络马氏链 模型网络的生成规则，都是在上一步完成后再重复加点和连线，因此可通过马氏链来刻 画。如文[6]用非齐次马氏链刻画了 BA 模型，文[7]提出了增长网络马氏链模型。 网络马氏链另一个重要应用是研究网页排序。对网络而言，众多节点在其中的地位并不 一样。如何识别哪些节点是最重要的？借助节点大数据信息，可通过它在网络中的得分来描 述。设节点得分 xi ，它依赖于邻居节点的数量和重要性。于是得到x c a x ，其中c 是 i j ij j 比例常数，a 是网络邻接矩阵的元素。写成矩阵形式有x cAx 或Ax c 1x ，即x 是邻接 ij 矩阵A 特征值c1 对应的特征向量。c1 是矩阵A 的哪个特征值呢？理论分析应该是模最大 的特征值 1 [8]  。于是有：x  Ax ，这就是计算特征向量中心性 的公式。 1 1 对大型网络而言，计算特征值是件困难的事情。能够找到模最大的特征值为 1 的矩阵就 可省去计算特征值。根据矩阵理论，不可约随机矩阵模最大的特征值是 1。随机矩阵是行和 为 1 的非负矩阵。若对应的有向图(网络)强连通，则它不可约。 对有向网络，节点 i 有连线指向节点j 时 aij 为 1，这时矩阵A 一般不对称，且矩阵行 和不一定为 1，其中还可能存在全为 0 的行。如以下面有向网络为例， 1 1 28 28 1 1 1  60 60 60 60 60