資料結構
網路
關係型資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學什麼是社交網路？
社交網路是由圖描述的異構和多關係資訊集。該圖通常非常大，節點對應於物件，邊對應於描述物件之間關係或連線的連線。節點和連線都具有屬性。物件可以具有類標籤。連結可以是單向的，並且不需要是二元的。
社交網路是由圖描述的異構和多關係資訊集。該圖通常非常大，節點對應於物件，邊對應於描述物件之間關係或連線的連線。節點和連線都具有屬性。物件可以具有類標籤。連結可以是單向的，並且不需要是二元的。
社交網路的特徵
社交網路具有以下特徵：
冪律緻密化 − 曾經認為，隨著網路的發展，多個節點的度數線性增加。這被稱為恆定平均度假設。但是，大量的實驗表明，恰恰相反，網路隨著時間的推移變得越來越密集，平均度增加（因此，邊的數量隨著節點數量的增加而超線性增加）。緻密化遵循緻密化冪律（或增長冪律），其定義為
$$e(t)\propto n(t)^{a}$$
其中 e(t) 和 n(t) 分別定義了時間 t 時圖的邊數和節點數，指數 a 通常嚴格位於 1 和 2 之間。如果 a = 1，則對應於隨時間推移的固定平均度，而 a = 2 對應於一個完全密集的圖，其中每個節點都與所有節點的一定比例的節點相連。
直徑收縮 − 實驗表明，隨著網路規模的增大，有效直徑趨於減小。這與早期認為直徑隨網路規模緩慢增長的理解相矛盾。
考慮一個引用網路，其中節點是論文，一篇論文對另一篇論文的引用用有向邊表示。節點 v 的出鏈（定義為 v 引用論文）在其加入圖的時刻被“凍結”。因此，節點對之間距離的減小是由於後續論文充當“橋樑”而引用來自不同領域的早期論文的結果。
重尾出度和入度分佈 − 透過觀察冪律 1/na，可以看出，節點的多個出度傾向於遵循重尾分佈，其中 n 是按出度遞減順序排列的節點的秩，通常 0 < a < 2。
a 值越小，尾部越重。這種現象在優先連線模型中定義，在該模型中，每個新節點透過固定數量的出鏈連線到現有網路，遵循富者愈富的規則。入度也遵循重尾分佈，儘管其影響比出度分佈更偏斜。
905 次瀏覽
