Microscopic  Evolution of Social Networks

社交网络的微小演化

We  present a detailed study of network evolution by analyzing four large online  social networks with full temporal information about node and edge arrivals.  For the first time at such a large scale, we study individual node arrival  and edge creation processes that collectively lead to macroscopic properties  of networks. Using a methodology based on the maximum-likelihood principle,  we investigate a wide variety of network formation strategies, and show that  edge locality plays a critical role in evolution of networks. Our findings  supplement earlier network models based on the inherently non-local  preferential attachment.

Based  on our observations, we develop a complete model of network evolution, where  nodes arrive at a prespecified rate and select their lifetimes. Each node  then independently initiates edges according to a “gap” process, selecting a  destination for each edge according to a simple triangle-closing model free  of any parameters. We show analytically that the combination of the gap  distribution with the node lifetime leads to a power law out-degree  distribution

that  accurately reflects the true network in all four cases. Finally, we give  model parameter settings that allow automatic evolution and generation of  realistic synthetic networks of arbitrary scale.

通过分析4个大型在线社交网络的有关节点和边的全时间信息，我们呈现了一个微观的网络演化研究。作为第一次如此大规模地（研究网络演化），我们研究了个人节点的到来和边产生过程，这两个过程共同导致的网络的宏观性能（变化）。使用一个基于最大相似性原则的方法，我们观察了大量的网络生成策略，证明边的局部性在网络演化中起到了非常重要的作用。我们的发现填补了早期网络模型基于内在的非局部偏好的附属的空白。

基于我们的观察，我们提出了一个完整的网络演化模型，其中节点以预先设定的比例到来，而且选择他们的生命时间。每个节点然后独立地根据一个“缝隙”过层产生边，根据一个简单的不需要任何参数的三角接近模型选择一个终结点。我们证明了这样的缝隙分布加上节点生命周期的综合会产生一个power-law的度分布，这样就正确反映了4个网络的实际情况。最后我们给出了模型的参数设置允许自动演化和产生实际的任意规模的人工网络。

这里研究的是网络演化的基本问题。作者选取了4个网络的数据来研究网络演化问题。然后通过观察微观的改变对宏观属性的作用。基于上面的观察，他们设计了自己的网络演化模型，证明了该模型的适用性。

研究社交网络演化问题，实际上跟“复杂网络”研究有点交叉了。这里既不是传统的聚类问题，也不是传统的分类问题，也不是什么机器学习什么问题。就是社交网络的演变，怎样设计一个模型最接近真实的情况。这篇文章的写法也很类似复杂网络的文章，为什么？上来就直接说我们干了什么，这是明显的偏“科学理论”的文章，跟一般文章不同，不可不察。