数据结构
网络
关系型数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学什么是社交网络？
社交网络是由图描述的异构和多关系信息集。该图通常非常大，节点对应于对象，边对应于描述对象之间关系或连接的连接。节点和连接都具有属性。对象可以具有类标签。链接可以是单向的，并且不需要是二元的。
社交网络是由图描述的异构和多关系信息集。该图通常非常大，节点对应于对象，边对应于描述对象之间关系或连接的连接。节点和连接都具有属性。对象可以具有类标签。链接可以是单向的，并且不需要是二元的。
社交网络的特征
社交网络具有以下特征：
幂律致密化 − 曾经认为，随着网络的发展，多个节点的度数线性增加。这被称为恒定平均度假设。但是，大量的实验表明，恰恰相反，网络随着时间的推移变得越来越密集，平均度增加（因此，边的数量随着节点数量的增加而超线性增加）。致密化遵循致密化幂律（或增长幂律），其定义为
$$e(t)\propto n(t)^{a}$$
其中 e(t) 和 n(t) 分别定义了时间 t 时图的边数和节点数，指数 a 通常严格位于 1 和 2 之间。如果 a = 1，则对应于随时间推移的固定平均度，而 a = 2 对应于一个完全密集的图，其中每个节点都与所有节点的一定比例的节点相连。
直径收缩 − 实验表明，随着网络规模的增大，有效直径趋于减小。这与早期认为直径随网络规模缓慢增长的理解相矛盾。
考虑一个引用网络，其中节点是论文，一篇论文对另一篇论文的引用用有向边表示。节点 v 的出链（定义为 v 引用论文）在其加入图的时刻被“冻结”。因此，节点对之间距离的减小是由于后续论文充当“桥梁”而引用来自不同领域的早期论文的结果。
重尾出度和入度分布 − 通过观察幂律 1/na，可以看出，节点的多个出度倾向于遵循重尾分布，其中 n 是按出度递减顺序排列的节点的秩，通常 0 < a < 2。
a 值越小，尾部越重。这种现象在优先连接模型中定义，在该模型中，每个新节点通过固定数量的出链连接到现有网络，遵循富者愈富的规则。入度也遵循重尾分布，尽管其影响比出度分布更偏斜。
905 次浏览
