Известно, что структурные микро-характеристики сети сильно связаны друг с другом. Например, в случае, если мы наблюдаем сеть с высоким уровнем плотности (что характерно для сети мозга приматов), то в этой сети будет также будет небольшой радиус и высокий коэффициент кластеризации. Выявление первоначальных свойств графа важно для объяснения последующих свойств сети.
В статье
“Оценивая
случайность в реальных сетях”, опубликованной в журнале Nature
Communications, авторы задаются вопросом о том, каким образом сетевые параметры
связаны друг с другом. Для
симуляции реальных сетей исследователи используют случайные dk-графы с
заданными макро-параметрами (степень центральности, степень ассортативности и
коэффициент корреляции). dk-графами авторы статьи обозначают сети, в которых количество вершин d равно числу вершин реальной наблюдаемой сети, а k - это средняя степень вершины сети. И
оказывается, что такие графы хорошо описывают микроскопические сетевые параметры (например, средняя
степень соседней вершины), мезоскопические (например, k-cores) и макроскопические
(например, среднее посредничество).
Иллюстрация dk-графов (источник: статья Orsini, C., Dankulov, M. M., Colomer-de-Simón, P., Jamakovic, A., Mahadevan, P., Vahdat, A., ... & Krioukov, D. (2015). Quantifying randomness in real networks. Nature communications, 6.
Любопытно, что данная
статья, написанная физиками, во многом имеет пересечения с традиционным
социологическо-статистическим взглядом на социальные сети (подходы ERGM,
STERGM).
Комментариев нет:
Отправить комментарий