復雜網(wǎng)絡：結構與動態(tài)演化分析

目錄
第 1 章 緒論　　　　　　　　　　　 1
1.1 網(wǎng)絡視角下的現(xiàn)實世界　 2
1.1.1 隨機網(wǎng)絡　　　　　　　　　　2
1.1.2 小世界網(wǎng)絡　　　　　　　　 3
1.1.3 無標度網(wǎng)絡　　　　　　　　 4
1.2 網(wǎng)絡結構與性能分析　　　 5
1.2.1 網(wǎng)絡結構重構問題　　　　5
1.2.2 網(wǎng)絡特征表示學習問題　6
1.2.3 網(wǎng)絡結構的脆弱性　　　　 6
1.3 網(wǎng)絡的動態(tài)性　　　　　　　　　7
1.3.1 網(wǎng)絡中的動態(tài)過程　　　　 7
1.3.2 網(wǎng)絡中的信息阻斷　　　　 9
1.3.3 網(wǎng)絡演化過程分析　　　　 11
1.4 本書組織結構　　　　　　　　　13
參考文獻　　　　　　　　　　　　　　　14
第 2 章 網(wǎng)絡中的結構重構方法　　　　　　19
2.1 部分結構已知條件下的重構方法　　 19
2.1.1 基于節(jié)點相似性的鏈路預測模型　 20
2.1.2 基于 GCN 的鏈路預測模型　　　　　21
2.1.3 基于微分圖方程組的動態(tài)結構預測22
2.2 基于動態(tài)時序數(shù)據(jù)的結構重構方法　 24
2.2.1 時序數(shù)據(jù)網(wǎng)絡重構概念　　　　　　　　 24
2.2.2 時序數(shù)據(jù)網(wǎng)絡重構常用方法　　　　　 25
2.3 應用：基于離散信息的網(wǎng)絡拓撲還原方法 27
2.3.1 網(wǎng)絡重構算法　　　　　　　　　　　　　　　　27
2.3.2 子圖重構　　　　　　　　　　　　　　　　　　　30
2.3.3 子圖疊加　　　　　　　　　　　　　　　　　　　30
2.3.4 網(wǎng)絡重構實驗分析　　　　　　　　　　　　　31
2.4 本章小結　　　　　　　　　　　　　　　　　　　　　38
參考文獻　　　　　　　　　　　　　　　　　　　　　　　 38
第 3 章 網(wǎng)絡結構與屬性的表示學習方法　 42
3.1 網(wǎng)絡表示學習問題　　　　 42
3.1.1 網(wǎng)絡表示學習的定義　 42
3.1.2 網(wǎng)絡表示學習的方法　 43
3.2 網(wǎng)絡結構信息的表示學習方法　 45
3.2.1 基于隨機游走的表示學習　　　 45
3.2.2 基于矩陣分解的表示學習　　　 48
3.2.3 基于深度學習的表示學習　　　 52
3.3 網(wǎng)絡屬性信息的表示學習方法　　54
3.3.1 結合文本信息的網(wǎng)絡表示學習　54
3.3.2 半監(jiān)督的網(wǎng)絡表示學習　　　　　　57
3.3.3 結合邊上標簽信息的網(wǎng)絡表示學習　 61
3.4 異構網(wǎng)絡的表示學習方法　　　　　　　 64
3.4.1 基于元路徑的異構網(wǎng)絡表示學習　 64
3.4.2 基于最優(yōu)化的異構網(wǎng)絡表示學習　 68
3.4.3 屬性多重異構網(wǎng)絡表示學習　 69
3.5 應用：電影網(wǎng)絡中的表示學習　 72
3.5.1 數(shù)據(jù)集情況　 72
3.5.2 數(shù)據(jù)預處理及構建電影網(wǎng)絡　 73
3.5.3 基于 Node2Vec 的節(jié)點表示學習　 74
3.5.4 基于結構與屬性的節(jié)點表示學習　 75
3.6 本章小結　　　　　　　75
參考文獻　　　　　　　　　　76
第 4 章 網(wǎng)絡結構的脆弱性分析　79
4.1 網(wǎng)絡結構脆弱性問題　 79
4.1.1 基于網(wǎng)絡結構特征的脆弱節(jié)點識別　 80
4.1.2 基于鄰接信息熵的關鍵點識別算法　 81
4.1.3 基于誤差重構的節(jié)點價值分析模型　 85
4.2 相互依存網(wǎng)絡中的級聯(lián)失效性分析　 90
4.2.1 相互依存網(wǎng)絡中的級聯(lián)失效問題　 91
4.2.2 基于相繼故障滲流模型的網(wǎng)絡脆弱性分析　95
4.2.3 基于馬爾可夫模型的網(wǎng)絡脆弱性分析　 97
4.3 應用：公用網(wǎng)絡中的關鍵節(jié)點識別　108
4.3.1 基于鄰接信息熵的關鍵點識別　108
4.3.2 基于誤差重構的關鍵節(jié)點識別　113
4.4 本章小結　118
參考文獻 118
第 5 章 網(wǎng)絡中的信息傳播 123
5.1 背景介紹　124
5.1.1 傳播動力學　124
5.1.2 群體動力學　132
5.1.3 自適應選舉者模型 137
5.1.4 自適應群體博弈模型 143
5.1.5 自適應系統(tǒng)協(xié)同模型 149
5.2 自適應信息傳播模型 155
5.2.1 理論分析 156
5.2.2 偶對近似 159
5.2.3 高階變量 160
5.2.4 從歸一到分裂 162
5.3 基于距離的結構重連 166
5.3.1 rewire-to-foaf 策略 166
5.3.2 近似微分方程 167
5.3.3 案例分析 169
5.4 基于近似多數(shù)模型的動態(tài)過程　173
5.4.1 近似多數(shù)模型 173
5.4.2 近似微分方程 174
5.4.3 案例分析 177
5.5 基于加權狀態(tài)演化的信息傳播　179
5.5.1 加權狀態(tài)演化 180
5.5.2 近似微分方程 181
5.5.3 案例分析 182
5.6 應用：選舉者網(wǎng)絡的演化與近似　185
5.6.1 從偶對近似到交接近似　186
5.6.2 從近似主方程到雙星近似 190
5.7 本章小結　200
參考文獻 200
第 6 章 網(wǎng)絡中的信息阻斷 210
6.1 網(wǎng)絡阻斷問題　210
6.1.1 網(wǎng)絡阻斷的應用背景 211
6.1.2 網(wǎng)絡阻斷的基礎模型 212
6.1.3 網(wǎng)絡阻斷的變種類別 216
6.2 依賴網(wǎng)絡中的網(wǎng)絡阻斷　218
6.2.1 依賴網(wǎng)絡及其阻斷問題的應用背景 219
6.2.2 依賴網(wǎng)絡中的依賴關系模型 219
6.2.3 包含依賴關系的流阻斷模型 220
6.2.4 邏輯–物理雙層網(wǎng)絡最短路阻斷 223
6.3 動態(tài)對抗條件下的阻斷　226
6.3.1 網(wǎng)絡阻斷的動態(tài)假設 227
6.3.2 動態(tài)多重網(wǎng)絡最短路阻斷模型框架 227
6.3.3 網(wǎng)間反饋關系建模 230
6.3.4 動態(tài)網(wǎng)絡阻斷模型 235
6.3.5 動態(tài)網(wǎng)絡阻斷模型實驗驗證 237
6.4 應用：動態(tài)雙層網(wǎng)絡最短路阻斷實驗　239
6.4.1 動態(tài)雙層網(wǎng)絡實驗數(shù)據(jù)　239
6.4.2 實驗分析 240
6.5 本章小結　 244
參考文獻 244
第 7 章 網(wǎng)絡中的群體演化 246
7.1 背景介紹　 247
7.2 演化群體模型 249
7.2.1 無博弈演化 251
7.2.2 長期連續(xù)演化過程 254
7.2.3 合作群體的衰退 254
7.3 擾動作用下的合作群體瓦解　259
7.3.1 擾動實驗 259
7.3.2 合作的韌性 261
7.3.3 擾動規(guī)模的影響 264
7.3.4 嵌入系數(shù) p 的影響 266
7.4 應用：合作群體瓦解預測　 267
7.4.1 預警信號挖掘 267
7.4.2 預警信號的動態(tài)模式 269
7.4.3 基于 Kendall 相關系數(shù)的一致性分析 272
7.4.4 預警信號的準確性分析　277
7.5 本章小結　281
參考文獻 282
第 8 章 網(wǎng)絡中的智能協(xié)同 285
8.1 背景介紹　286
8.2 智能體網(wǎng)絡任務分組 288
8.2.1 研究動機 288
8.2.2 模型定義 290
8.2.3 勞動力分工 292
8.3 基于分布式學習的自適應動態(tài)性　293
8.3.1 節(jié)點角色演化 293
8.3.2 風險規(guī)避學習 295
8.3.3 網(wǎng)絡結構調整 297
8.3.4 圖轉移的完備性 300
8.3.5 算法流程 303
8.4 自適應協(xié)同理論分析 304
8.4.1 學習率的影響 306
8.4.2 任務規(guī)模越大，資源浪費率越小 307
8.4.3 功能集合越大，任務成功率越小 308
8.5 應用：分布式任務分組中自適應協(xié)同　 309
8.5.1 基準實驗 310
8.5.2 功能服務集合的擴大 314
8.5.3 任務規(guī)模的增長 314
8.5.4 動態(tài)任務下的動態(tài)分組 317
8.6 本章小結　318
參考文獻 319