iT邦幫忙

2023 iThome 鐵人賽

DAY 8
0
AI & Data

初探 Network Science系列 第 8

Day-08-Network Model--Watts–Strogatz model

  • 分享至 

  • xImage
  •  

Day-08-Network Model--Watts–Strogatz model

作者介紹

Watts-Strogatx model 是用來產生具有 small-world 性質的 rqandom graph 數學模型,由 Duncan J. Watts 跟 Steven Strogatz 在 1998 年發表。這個模型是基於上一篇所提到的 ER model 為基礎進行改進。在 ER model 中,因為每個節點之間連接的機率都是一樣的,所以在 ER Model 裡面不容易產生 local clustering 和 triadic closures 的結構,導致其 clustering coefficient 很低;另外在現實生活中,有很多 hub(樞紐),但是 ER Model 並沒有將其考慮進去,所以 ER Model 是 Poisson Distribution,而非現實生活常出現的 Power Law Distribution。

Small World 的特性

small world model 有一個很著名的實驗,叫做 six-degree of separation(六度分隔)。這個實驗是由 Stanley Milgram 在 1967 年所提出的。實驗內容為 Stanley Milgram 寄出 60 封信給參加者,並且要求參加者將信轉交給他們認識的人,但是只能透過朋友轉交。最後,Stanley Milgram 發現平均只需要 6 個人就可以將信轉交給目標(實際成功寄回到目的的只有 5%)。

Small World 數學公式推導

  1. 假設平均 degree(平均有幾個 neighbor):https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%24
  2. Distance = 1 的時候,我們會有 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%24 個節點
  3. Distance = 2 的時候,我們會有 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%5E2%24 個節點,依此類推後
  4. 起始節點到距離 d 的預期節點數量是 https://chart.googleapis.com/chart?cht=tx&chl=%24N(d)%20%5Capprox%201%20%2B%20%5Cleft%5Clangle%20k%20%5Cright%5Crangle%20%2B%20%5Cleft%5Clangle%20k%20%5Cright%5Crangle%20%5E2%20%2B%20...%20%2B%20%5Cleft%20%5Clangle%20k%20%5Cright%5Crangle%20%5Ed%24
    • 也就是把所有距離在 0 到 d 的節點數量加起來,可用等比級數和公式 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cfrac%7Ba(1-r%5En)%7D%7B1-r%7D%24(有些人會分子分母都乘以 -1)
    • https://chart.googleapis.com/chart?cht=tx&chl=%24a%20%3D%201%24, https://chart.googleapis.com/chart?cht=tx&chl=%24r%20%3D%20%5Cleft%5Clangle%20k%20%5Cright%5Crangle%24, https://chart.googleapis.com/chart?cht=tx&chl=%24n%20%3D%20d%20%2B%201%24
    • 最後的公式如右所示 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cfrac%7B%5Cleft%5Clangle%20k%20%5Cright%5Crangle%20%5E%7Bd%2B1%7D-1%7D%7B%5Cleft%5Clangle%20k%20%5Cright%5Crangle-1%7D%24
  5. https://chart.googleapis.com/chart?cht=tx&chl=%24N(d_%7Bmax%7D)%20%5Capprox%20N%24,也就是說當距離到達最大的時候,我們的節點數量會大約等於總節點數量
  6. 這邊假設 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%24 是一個遠大於 1 的數字,我們就可以把 -1 省略掉
  7. 所以當 Distance = https://chart.googleapis.com/chart?cht=tx&chl=%24d_%7Bmax%7D%24 的時候,我們就會有 https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%20%5E%7Bd_%7Bmax%7D%7D%24 個節點,也就是 https://chart.googleapis.com/chart?cht=tx&chl=%24N%24
  8. https://chart.googleapis.com/chart?cht=tx&chl=%24%5Cleft%5Clangle%20k%20%5Cright%5Crangle%20%5E%7Bd_%7Bmax%7D%7D%20%3D%20N%24,使用換底公式後,我們可以得到 https://chart.googleapis.com/chart?cht=tx&chl=%24d_%7Bmax%7D%20%3D%20%5Cfrac%7Bln(N)%7D%7Bln(%5Cleft%5Clangle%20k%20%5Cright%5Crangle)%7D%24

以上內容僅供參考,以原文書內的為主

參考資料


上一篇
Day-07-Network Model--Erdős–Rényi model
下一篇
Day-09-Network Model--Scale-free network
系列文
初探 Network Science30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言