生成逼真的缩放复杂网络
社会与信息网络
2017-03-24 v2 数据结构与算法
物理与社会
摘要
生成模型研究是网络科学这一新兴领域的核心课题，它研究如何通过形式化规则生成在真实网络中发现的统计模式。这些生成模型的输出随后成为设计和评估网络计算方法以及进行验证和模拟研究的基础。在过去二十年中，人们提出了多种模型，其最终目标是使生成的网络具有全面的逼真度。在本研究中，我们 (a) 引入了一种名为 ReCoN 的新生成器；(b) 探讨了如何将 ReCoN 和一些现有模型拟合到原始网络以产生结构相似的副本；(c) 使用 ReCoN 生成比原始样本大得多的网络；最后 (d) 讨论了开放问题和有前景的研究方向。在一项比较实验研究中，我们发现 ReCoN 通常优于许多其他 state-of-the-art 网络生成方法。我们论证了 ReCoN 是一个可扩展且有效的工具，用于对给定网络进行建模，同时在微观和宏观尺度上保持重要属性，并将样本数据在大小上缩放数个数量级。
引用
@article{arxiv.1609.02121,
title = {Generating realistic scaled complex networks},
author = {Christian L. Staudt and Michael Hamann and Alexander Gutfraind and Ilya Safro and Henning Meyerhenke},
journal= {arXiv preprint arXiv:1609.02121},
year = {2017}
}
备注
26 pages, 13 figures, extended version, a preliminary version of the paper was presented at the 5th International Workshop on Complex Networks and their Applications