学习网络增长的机制

我们提出了一种用于动态网络的新型模型选择方法。我们的方法涉及在大量合成网络数据上训练分类器。这些数据通过模拟九种用于动态网络的最先进随机图模型生成，参数范围的选择确保了网络规模随时间呈指数增长。我们设计了一种概念上新颖的动态特征类型，用于统计特定时间间隔内一组顶点接收到的新链接。所提出的特征易于计算、分析上易处理且具有可解释性。我们的方法对合成网络实现了近乎完美的分类，大幅超越了现有最优方法。将我们的分类方法应用于真实世界的引文网络，证实了文献中的主张，即具有优先连接、适应性和老化的模型最适合真实世界的引文网络，尽管有时预测的模型并不涉及顶点适应性。