一种高效生成具有社团结构的真实复杂网络的非均匀流行度-相似性优化（nPSO）模型
物理与社会
2018-06-20 v1 无序系统与神经网络
社会与信息网络
摘要
复杂网络拓扑背后的隐藏度量空间是当前网络科学中的一个热门话题，而双曲空间是研究最多的空间之一，因为它似乎与许多真实复杂系统的结构组织相关。流行度-相似性优化（PSO）模型模拟了随机几何图如何在双曲空间中生长，再现了强聚类和无标度度分布，但它未能再现真实复杂网络的一个重要特征，即社团组织。最近发展的几何优先连接（GPA）模型赋予了 PSO 一种社团结构，这是通过强制双曲圆盘的不同角度区域具有可变的吸引力水平来实现的。然而，在 GPA 中，社团的数量和大小无法被显式控制，这对于实际应用来说是一个明显的局限。在此，我们引入了非均匀 PSO（nPSO）模型，与 GPA 不同，该模型通过从一个定制的非均匀概率分布（例如高斯混合分布）中采样角度坐标，来强制实现异质性的角度节点吸引力。nPSO 在另外三个方面与 GPA 不同：它允许显式地固定社团的数量和大小；它允许通过网络温度调节社团的混合特性；它能够高效地生成具有高聚类性的网络。经过多次测试，我们提出 nPSO 作为一种有效且高效的模型，用于在双曲空间中生成具有社团的网络，该模型可被用作不同任务（如社团检测和链路预测）的现实基准。
引用
@article{arxiv.1707.07325,
title = {A nonuniform popularity-similarity optimization (nPSO) model to efficiently generate realistic complex networks with communities},
author = {Alessandro Muscoloni and Carlo Vittorio Cannistraci},
journal= {arXiv preprint arXiv:1707.07325},
year = {2018}
}