社会信息网络模型应用
多层次模型在社会网络分析中的应用
多层次模型在社会网络分析中的应用社会网络分析是一种用图论和统计学分析来研究个体和群体之间关系的方法。
近年来，随着社会网络的快速发展，人们对社会网络分析的需求也越来越大。
多层次模型作为一种重要的分析方法，在社会网络分析中得到了广泛应用。
本文将探讨多层次模型在社会网络分析中的应用，并分析其优势和局限性。
多层次模型是一种将复杂关系转化为多个层次的模型。
在社会网络分析中，多层次模型可以用于揭示个体与个体、群体与群体之间的关系以及个体与群体之间的关系。
通过将网络分解为多个层次，我们可以更好地理解社会网络中的群体结构和个体行为。
多层次模型在社会网络分析中的一个重要应用是社区检测。
社区是指在社会网络中相互连接的节点集合。
通过多层次模型，我们可以将网络分解为不同的层次，然后在每个层次上进行社区检测。
这种方法能够更好地发现社会网络中的潜在社区结构，帮助我们理解个体与个体之间的联系和群体之间的互动。
另一个多层次模型在社会网络分析中的应用是预测个体行为。
社会网络中的个体往往会受到其所在群体的影响，而多层次模型可以帮助我们分析个体在不同层次上的行为特征。
通过对个体在不同层次上的行为进行建模，我们可以预测个体在社交网络中的行为，如购买习惯、观点倾向等。
这种方法有助于个体行为的预测和社会影响力的评估。
此外，多层次模型还可以用于社会网络中的信息传播分析。
社交网络中的信息传播是一个复杂的过程，个体之间的信息传播往往受到多个层次的影响。
通过多层次模型，我们可以对信息传播进行建模和分析，了解不同层次对信息传播的影响程度。
这种方法对于研究信息传播的路径、速度和影响因素具有重要意义。
然而，多层次模型在社会网络分析中也存在一些局限性。
首先，多层次模型的建立需要充分的数据支持，包括不同层次上的网络数据和个体行为数据。
此外，多层次模型的构建和分析需要一定的专业知识和技术支持，对于非专业人士来说较为困难。
最后，多层次模型无法解决社会网络中的所有问题，仍然需要与其他方法和模型结合使用。
社会网络分析方法 ucinet的应用
社会网络分析方法 UCI-Net 的应用引言社会网络分析方法是一种研究人际关系和社会结构的方法，在社会学、心理学、管理学等领域有广泛的应用。
其中，UCI-Net是一款常用的社会网络分析工具，可以帮助研究人员对社会网络进行可视化和分析。
本文将介绍UCI-Net的使用方法和一些常见的应用案例。
UCI-Net 的概述UCI-Net是一款基于UCINet软件开发的网络分析工具，它提供了数据处理、数据可视化、社会网络指标计算等一系列功能。
UCI-Net支持多种数据格式的导入，包括Excel、文本文件、数据库等，用户可以根据自己的数据来源选择合适的导入方式。
UCI-Net 的功能和应用数据处理和可视化UCI-Net提供了丰富的数据处理功能，用户可以对导入的数据进行清洗、转换和整合。
用户可以根据需要选择不同的数据处理方法，如删除重复数据、合并多个数据集等。
此外，UCI-Net还可以通过连接数据库等方式实时获取数据，方便用户进行实时的数据处理和可视化。
UCI-Net还提供了多种数据可视化的方式，用户可以选择不同的图表类型来展示网络关系和特征。
例如，可以使用节点连线图来展示社会网络中的人物关系，通过节点的颜色和大小来表示不同的属性。
用户还可以根据自己的需求自定义图表的样式和布局，使得图表更加清晰和易于理解。
社会网络指标计算UCI-Net提供了一系列社会网络指标的计算功能，用户可以根据自己的研究目的选择合适的指标进行计算。
例如，可以计算网络中的中心性指标，如度中心性、接近中心性和介数中心性等，来衡量节点在网络中的重要性和影响力。
此外，UCI-Net还可以计算网络中的密度、平均路径长度和群聚系数等指标，来分析网络的紧密性和结构特征。
社会网络模型和预测UCI-Net还支持社会网络模型的构建和预测分析。
用户可以使用UCI-Net提供的算法和模型来构建社会网络模型，并通过模型进行网络预测。
例如，可以根据过去的社会网络数据来预测未来的网络关系和行为。
社会网络中信息传播模式与动力学仿真方法
社会网络中信息传播模式与动力学仿真方法社会网络的迅猛发展使得信息传播成为社会变革和个体行为的重要驱动力。
了解信息在社会网络中传播的模式和动力学规律，对于社会科学和网络科学的发展具有重要意义。
本文将探讨社会网络中信息传播的模式以及仿真方法，以期提供有关社会网络研究的实用指导。
一、社会网络中的信息传播模式1.扩散模型扩散模型是研究社会网络中信息传播最基础的模型之一。
它描述了信息从一个节点传播到整个网络的方式。
最简单的扩散模型是基于病毒传播的SIR模型，将社会网络中的节点分为易感染者（Susceptible）、感染者（Infected）和康复者（Recovered）三类。
该模型通过建立差分方程或微分方程系统来描述人与人之间的传染关系和康复过程。
通过分析这些方程的解，可以得出关于信息传播的重要性质，如传播速度、传播范围等。
2.影响力模型影响力模型是研究社会网络中信息传播的另一种方式。
它涉及到节点之间的相互作用和影响关系。
经典的影响力模型之一是独立级联模型（Independent Cascade Model），它认为每个节点有一定的概率接受其邻居节点的信息，并以一定的概率将信息传播给它的邻居节点。
该模型基于概率论和图论，通过模拟信息在网络中的传播过程，研究社会网络中信息的扩散规律和影响力。
3.传播路径模型传播路径模型是研究社会网络中信息传播路径的一种模型。
它主要关注信息在网络中的传播路径和传播路径对信息传播效果的影响。
例如，层次模型认为信息在社会网络中是通过不同的层次传播的，不同层次的节点对信息的影响力也不同。
采用传播路径模型可以更加准确地分析信息在社会网络中的传播效果，并提供针对性的策略。
二、社会网络中信息传播的动力学仿真方法1.基于代理人的仿真方法基于代理人的仿真方法是一种常用的研究社会网络中信息传播动力学的方法。
该方法将网络中的个体视为独立的代理人，并通过定义各种行为规则和交互规则，模拟个体之间的相互作用和信息传播过程。
社会网络分析技术的研究及其应用
社会网络分析技术的研究及其应用在当今社会，社交网络已经深入到我们的生活中，人们之间的社交关系已经不再是简单的面对面交流，而是通过网络来建立和维系着。
这也引发了人们对社会网络分析的兴趣。
社会网络分析技术可以帮助人们更好地了解社会关系网络的结构和性质，探究社会现象背后的深层次规律，提高社会问题的解决效率等等，因此，其应用也越来越广泛。
一、社会网络分析技术的定义和原理社会网络分析技术是指通过对社会关系网络结构的可视化、模型构建、节点分析等方式，来揭示社会网络中的特征和结构，以及隐含的联系和信息流动情况的分析和研究。
社会网络分析是以网络为研究对象的一种交叉学科，它主要研究社会关系网络的拓扑结构、动态演化、信息流动及社会现象演化等问题。
社会网络分析技术的核心在于对网络结构的分析，它的基本原理是以节点和边为基本单位对网络进行分析。
节点表示网络中的一个个体，边表示个体之间的联系或关系。
在社会网络中，一个节点可以是任何与社会相关的个体，如人、物、组织、话题等。
而边则可以是任意的关系或连接，如友谊、亲属关系、信任关系、邮件转发等。
通过对节点和边的量化和分析，可以揭示出网络的拓扑结构、社区结构、信息流动模式以及个体和群体之间的互动情况，达到对社会网络的分析和研究的目的。
二、社会网络分析技术在实际应用中的应用1. 社交网络分析社交网络分析是社会网络分析技术的重要应用之一，它可以通过对社交平台上的关注、点赞、评论、分享等数据的收集和分析，来了解用户的兴趣爱好、意见观点、社交关系等，以及不同用户之间的连接情况。
这有助于社交平台为用户提供更加精准的社交体验和服务，推荐更加个性化的资讯和产品，提高用户粘性和忠诚度。
同时，社交网络分析也可以应用于品牌营销和企业社交网络分析等领域。
2. 媒体传播分析媒体传播分析是社会网络分析的另一个重要应用领域，它可以通过对大规模的媒体文本数据的分析，来了解不同媒体之间、不同语言之间以及不同地区之间的信息传播和影响力。
社会网络的数学模型
社会网络的数学模型随着互联网技术的飞速发展，社交网络成为人们日常生活中不可或缺的一部分。
人们可以通过社交网络了解朋友们的动态、分享自己的生活经验、交流自己的想法等等。
社交网络在人们的社交生活中起到了重要的作用。
同时，研究社交网络也成为了现代社会网络科学研究的热门方向之一。
社会网络本质上是一个由节点和边组成的图，因此社交网络的研究与图论、数学建模有着密切的联系。
本文将从图论和数学建模的角度出发，介绍社交网络的数学模型。
一、社交网络的图论模型社交网络是一个由节点和边组成的图。
在这个图中，每个人都是一个节点，每个人之间的交互关系就是图中的边。
社交网络的图模型主要有以下几种形式：1、无向连通图在无向连通图中，每个节点代表一个人，每条边代表两个节点之间的互动关系。
无向连通图是最简单的社交网络模型，通常用于描述人们之间的社交关系。
在无向连通图中，每个节点的度（即节点与其他节点相邻的边的数量）越大，表示这个人的社交活跃度越高，社交能力越强。
2、有向连通图在有向连通图中，每个节点表示一个人，每条有向边则代表人与人之间单向的社交关系。
有向连通图广泛应用于微博、推特等社交网络平台，因为在这些平台中，人们常常主动关注、转发或评论其他人的信息。
在有向图中，每个节点的出度（即节点所指向其他节点的边的数量）越大，表示这个人在社交活动中的影响力越大。
3、加权图加权图在原有的基础上，为每条边添加一个权值（即边的权重）。
权重反映了节点之间的联系的强度，例如在社交网络中，关注数量、点赞数量、转发数量等都可以作为节点间关系的权重。
加权图可以更准确地描述社交网络中人与人之间的关系、信息传递等现象。
以上三种图模型仅是社交网络图的基本模型，在实际的社交网络中，还有很多图模型的变体，例如无向图、有向无环图、多重图等等，这些图模型都可以用来描述社交网络中不同的特征和现象。
二、社交网络的数学建模除了用图模型描述社交网络之外，社交网络的数学建模还包括网络结构的分析、网络行为的建模与分析等方面。
社会网络分析中的影响力传播模型比较
社会网络分析中的影响力传播模型比较社会网络分析是一种研究社会关系网络中信息传播、影响力传播等现象的方法。
而影响力传播模型是用来描述和预测一个人、组织或者观点在社交网络中传播、扩散的过程和效果的模型。
在社交网络的分析中，选择适合的影响力传播模型对于理解和预测信息传播的效果具有重要意义。
本文将比较和探讨几种常见的影响力传播模型，并分析它们的优劣之处。
1. 独立级联模型（Independent Cascade Model，IC Model）独立级联模型是影响力传播模型中应用最广泛的一种模型。
它基于独立级联假设，认为每个节点在决定是否转发信息时是独立进行决策的。
也就是说，每个节点有一定的转发概率，如果接收到信息后，根据这一概率决定是否转发给自己的邻居节点。
优点：- 模型简单明了，易于理解和应用。
- 能够较好地模拟信息在社交网络中的传播过程。
- 可以通过模拟和实验计算的方式来推导影响力的扩散规律。
缺点：- 忽略了节点之间的互动和协作，缺乏现实性。
- 不考虑节点内部的属性和特征，无法充分描述个体对信息传播的影响力。
2. 线性阈值模型（Linear Threshold Model，LT Model）线性阈值模型是另一种常用的影响力传播模型。
它基于节点的阈值设定，认为每个节点对信息的传播有一个阈值，只有当其邻居节点中转发该信息的节点数量超过阈值时，该节点才会转发信息。
优点：- 考虑了节点之间的互动和协作。
- 能够更好地模拟个体对信息传播的影响力。
缺点：- 阈值设定较为复杂，需要精确的参数估计，实际应用中难以获得。
- 忽略了节点内部的属性和特征，无法充分描述个体对信息传播的影响力。
3. 双阈值模型（Threshold Model with Multiple Thresholds）双阈值模型是对线性阈值模型的扩展和改进。
它认为每个节点对信息传播有两个阈值，一个表示接受和传播信息的阈值，一个表示拒绝和忽略信息的阈值。
社会网络中信息传播与交互的模型研究
社会网络中信息传播与交互的模型研究社交网络早已成为我们日常生活和工作的一部分。
从微博、微信到Facebook、Twitter，社交网络平台的出现不仅极大地方便了人们的交流和信息获取，同时也成为了商业和政治推广的重要手段。
社交网络中信息传播和交互的模型，对个体和整个社会的影响不可忽略。
本文将探讨社交网络中信息传播和交互的模型，从而更好的理解社交网络的本质。
一、社交网络的信息传播社交网络的信息传播是社交网络的核心功能，也是社交网络平台的灵魂。
在社交网络平台上，信息传播主要体现在用户之间的分享、转发和评论，这是信息传播的最常见的方式。
在信息传播中，有以下三个因素对信息的传播起着决定性的作用：1.社交网络中信息的引入者在社交网络平台上，人们可以自由发言和发布信息。
但并不是所有信息都能引起用户的关注和传播。
往往仅有少部分人能够将信息重新构造，制造出更加有趣和用处的表现形式，从而引起广大用户的注意。
这些人在社交网络环节中被称为“贡献者”，他们是社交网络中信息的引入者。
2.社交网络中关系的亲密度在社交网络平台上，用户之间的关系越亲密，则越容易传播信息。
关系亲密度主要体现在用户之间的互动和信任程度。
通过与好友的互动、评论、分享等行为，用户建立起了一种基于信任和良性互动的关系。
当用户分享信息时，好友往往会将这些信息优先性地转发和评论，从而产生更加广泛的传播效果。
3.社交媒体的信息传播规律社交媒体的信息传播规律主要体现在两个方面：信息扩散和信息滞后。
在社交网络中，个体间的信息传播呈现出非对称性的特征，即少数的人产生信息，大多数人接收信息。
这种少数对多数的信息传递方式，导致信息扩散呈现出指数级的增长速度，少数以多数的方式把信息推广出来。
在社交网络中，信息扩散则遵循类似于爆炸式增长的传播规律。
信息滞后指的是信息的广泛传播存在一定程度的滞后性。
具体而言，指的是开始传播信息的贡献者数量虽较少，但是信息的最终扩散需要一定的时间和过程。
社会网络模型研究论析
社会网络模型研究论析一、概述社会网络模型研究是社会学、心理学、计算机科学等多个学科交叉的领域，它关注于个体和群体间复杂的互动关系以及这些关系如何影响社会结构和行为。
社会网络模型的核心在于理解和分析社会网络中节点（个体或群体）之间的连接（关系），以及这些连接如何传递信息、资源、影响力和其他形式的社会资本。
随着大数据和复杂网络理论的发展，社会网络模型研究在揭示社会现象、预测社会动态以及优化社会结构等方面发挥着越来越重要的作用。
社会网络模型研究起源于20世纪30年代的社会计量学，经过几十年的发展，逐渐形成了包括社会网络分析、社交网络分析、复杂网络理论等多个分支。
这些分支在方法论和研究重点上有所不同，但都致力于从网络视角揭示社会现象的本质和规律。
近年来，随着大数据技术的普及和计算能力的提升，社会网络模型研究在数据收集、处理和分析方面取得了突破性进展，使得我们能够更准确地刻画和解释复杂的社会网络结构。
在理论上，社会网络模型研究关注于网络结构、网络关系、网络动态等多个方面。
网络结构研究主要关注网络的整体形态和特征，如网络的密度、中心性、聚类系数等网络关系研究则关注节点间的连接模式、关系强度和方向性等网络动态研究则关注网络随时间的变化过程，包括网络的演化、扩散和同步等。
这些研究不仅有助于我们深入理解社会网络的结构和机制，也为解决现实生活中的社会问题提供了理论支持。
在实践上，社会网络模型研究被广泛应用于社会各个领域，如社交网络分析、组织行为学、信息传播、社会治安等。
通过构建和分析社会网络模型，我们可以揭示社会网络中的关键节点和群体，预测社会动态和趋势，优化社会资源配置，提高社会治理效率等。
社会网络模型研究还为政策制定、市场营销、舆论引导等领域提供了有力的决策支持。
社会网络模型研究是一个跨学科的领域，它致力于从网络视角揭示社会现象的本质和规律。
随着大数据和复杂网络理论的发展，社会网络模型研究在理论和实践上都取得了重要进展，为解决现实生活中的社会问题提供了有力支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
– – – – “超级女声” 所产生信息涌现导致现实社会中 “草根文化效应” “虐猫事件” 芙蓉姐姐 “馒头”、“无厘头”所产生的社会文化现象
一件网络事件所产生的社会效应
– “孙志刚事件”对国家政策法规方面的影响 – Q币、QQ挂机策略所导致的对社会其它行业的影响 – … …
– From structure to content? (Link analysis?) – From content to structure? (Semantic Web?)
Micro Structure
+
Micro Attributes
Macro System Characteristics
Power-law everywhere
Yeast protain network
P(k) ~k-γ
Food web
Economic Networks
Social networks
Complex Adaptive System
Hidden Order (John Holland 1994，SFI)
问题：因特网的内容与结构到底是什么样的关系？有没 有可量化特征？
统计发现：拓扑结构与内容具有一定相关性
结构属性与内容属性是信息网络中两类截 然不同而又相互依存的基本要素 微观粒度下的结构聚团性与内容聚团性之 间存在指数比例关系
信息网络建模：问题的提出
相关问题
– 信息网络拓扑结构的自由标度等特性以及结构与内容 之间稳定的映射关系特征是如何产生的？ – 微观要素是如何影响宏观行为的？ – 为什么信息网络宏观粒度的连边密集社区“往往”是内 容相关的？
– 个人的社会行为的倾向性，更多的由他的亲近的朋友 和社会关系决定，而并非由于整个社会中的倾向性比 例
社会网络分析的具体问题
– 犯罪关系、选举活动的民意调查、谣言传播、社会营 销、性关系 ……
定量化的社会网络建模
国外一些大学、研究机构进行的定量社会学 （ Quantitative Social Science ）研究，如:
复杂动力学模型（Dynamics）
大纲
社会学与社会计算 社会信息网络的基本概念及其现实意义 社会信息网络模型研究 我们的工作 总结
研究动机与研究内容
– 社会信息网络是一个复杂的巨大规模系统 – 互联网挖掘与搜索的传统思维是集中式、深度内 容计算，其策略类似拿着放大镜到大海里寻针 – 物理学家的跨越式思维：
大纲
社会学与社会计算 社会信息网络的基本概念及其现实意义 社会信息网络模型研究 我们的工作 总结
现实世界中网络的分类
物理学家（Newman*）将现实世界网络分为四类： 生物网络、技术网络、信息网络、社会网络 实际上，信息网络与社会网络已经融合在一起
信息网络趋向社会化（Web2.0、P2P etc）
– 忽略了真实社区之间存在的多样化的判定尺度和交叉重叠的关系 – 只能处理静态网络关系（网络快照：snapshot）
好友圈 工作圈 生活圈
？？
Link density community
Kleinberg etc, Science 294 (2001)
K-clique community
Palla etc, natural (2005)
社会信息网络研究的现实需求
规模与体系结构的挑战
社会信息的网络化、信息网络的社会化 Web2.0: Web、邮件、博客、即时通信、短信、论坛、个人空 间、P2P社区、… …
服务质量的要求
更高效、更个性的信息搜索 内容的深度挖掘
效率与网络安全的需要
消息与病毒的传播与扩散
社会安全的需要
网络行为的涌现现象判定、预测 多样化社区关系挖掘 宏观网络行为的规整与制导
P(k)~ e-<k> <k>k/k!
小世界网络模型
Watts & Strogatz 1998
– 通常来说，现实网络的连接拓扑结构应该是既非完全 规则也非完全随机。 - D.J. Watts
自由标度网络模型
A-L. Barabasi & R. Albert 1999
– 度分布的幂率特性 – 连边倾向的生长原则
20世纪90年代中期，IT公司开始关注用户使用行为，纷纷 成立了Social Computing Group，包括Microsoft, Intel, IBM和各大高校等。目的是希望借助软件工具实现人与人 之间更好的交流与信息共享。 当前，IT领域所谓的社会计算（Social Computing）研究的 主要是用于促进人机之间、组织机构之间互动的网络化的 处理工具。目前有部分成熟的应用软件（社会软件）。如 IBM开发的Babble软件，是一个类似聊天室的环境，它包 含了一个被称作是社会代理（Social Prosy）的图形化结 构，用于提供参与讨论者的相关信息。微软的一个研究项 目Wallop，用于探索研究人们如何分享媒介并在社会性网 络的环境下进行对话和交流。
当前社会学的研究范畴
– – – – – – 大众传媒与传播 城市与城市空间,人口增长与生态危机 工作与经济生活 阶级、社会分层与不平等；贫困、福利与社会排斥 犯罪与越轨行为；种族、族群与移民 文化；变化；日常生活；性别与性；身体社会学；家庭；现代组 织；；政府与政治；教育；宗教
社会计算（Social Computing）
更直接动机：网络计算与内容计算的融合
Complex systems
Made of many non-identical elements connected by diverse interactions.
NETWORK
现阶段工作进展
社会信息网络的特征发现与建模 社区发现与网络关系挖掘 自组织的轻量级网络操作系统LIOS 相关应用：互联网搜索与挖掘、信息安全、社会 信息分析等
共性问题
社会信息网络的基本要素与基本规律分析 社会信息网络的形式化表达与建模 影响网络宏观行为的微观规则是什么？ 网络涌现现象的度量与分析
大纲
社会学与社会计算 社会信息网络的基本概念及其现实意义 社会信息网络模型研究 我们的工作 总结
早期社会学者的调研
早在半个多世纪以前社会学的研究就开始意识到 了网络的意义：
– 哈佛大学的定量社会分析学院（The Institute for Quantitative Social Science at Harvard University，IQSS） – 美国华盛顿大学的社会统计学中心（Center for Statistics and the Social Sciences，CSSS） – 哥伦比亚大学的社会与经济政策研究院的计量社会科学研究课程 （Quantitative Methods in the Social Sciences，QMSS） 研究的问题是现实存在的社会问题，但更多的还是采用传统的数学和 统计学方法，构建数学模型或是数学方程式（主要是微分方程），然 后与现实数据进行拟合。可以在此模型的基础上进行短期社会行为进 行预测。但是，微分方程模型能够解释的现象与规律非常有限
研究思路
– 给出“内在规律”的假设 建立模型 理论与实验验证
More about the correlation between the content and the structure of an information network Why topological structure reflects content distributions?
– 适应性造就复杂性
CAS与计算机模拟
– 刺激-反应模型、适应度的确认与修改、新规则的产 生机制 – SWARM （Santa Fe Institute）
其它相关模型
信息网络的复杂系统建模及相关计算
– 基于链接结构的信息网络拓扑分析（Kleinberg, Brin & Page， 等） – ……
从牛顿力学到热力学 从微观要素的度量到宏观要素的度量
– 当信息规模上升到一定程度之后，社会安全、内 容搜索以及交互式新型信息共享与信息服务应该 有更加有效的表示与计算模式
我们目前研究的落脚点（方向）：
1. 复杂信息网络的基本特征与模型 2. 面向社会计算的体系结构与系统 3. 网络关系挖掘与多维度特征融合计算
不太严谨的定义：从可描述和可计算的角度来看，不同层 次、不同颗粒度的信息社会和信息网络，可以统一表示为 “社会信息网络”
社会信息网络的表象特征
同时具有个性化与社会化特征 内容特征与结构特征的融合 存在大量的结构涌现、内容涌现现象 具有一定的传播规律 具有动态演化性质 ……
举例：互联网对社会的“蝴蝶效应”
Thus : Pageranking etc should be modified to be more reasonable and effective
社区分析的现状：连边密度社区
社区定义：网络中物理连边稠密的节点子集为一个社区 潜在的前提：连边最密集必然意味着功能最相关 优点：计算方法相对简单 主要缺点：
基于图论的现实网络研究
基本属性：
– – – – – – 节点、连边与连接度 网络直径 聚集系数 度分布 层次结构 连通性 等
对小世界现象的观察
Sarah
Ralph Jane
Society: Six degrees
S. Milgram 1967 F. Karinthy 1929
Peter
WWW: 19 degrees
Albert et al. 1999
随机网络模型
Erdös-Rényi model (1960)
Connect with10 Poisson distribution 〈k〉 ~ 1.5
(1913-1996)