소셜 네트워크는 그래프로 설명되는 이종 및 다중 관계 정보 집합입니다. 그래프는 일반적으로 객체에 해당하는 노드와 객체 간의 관계 또는 연결을 설명하는 연결에 해당하는 모서리로 매우 큽니다. 노드와 연결 모두 속성이 있습니다. 객체는 클래스 레이블을 가질 수 있습니다. 링크는 단방향일 수 있으며 바이너리일 필요는 없습니다.
소셜 네트워크는 그래프로 설명되는 이기종 다중 관계 정보 집합입니다. 그래프는 일반적으로 객체에 해당하는 노드와 객체 간의 관계 또는 연결을 설명하는 연결에 해당하는 모서리로 매우 큽니다. 노드와 연결 모두 속성이 있습니다. 객체는 클래스 레이블을 가질 수 있습니다. 링크는 단방향일 수 있으며 바이너리일 필요는 없습니다.
소셜 네트워크의 특성
다음과 같은 소셜 네트워크의 특징은 다음과 같습니다 -
-
밀도의 거듭제곱 법칙 − 네트워크가 발전함에 따라 다중 노드에서 차수가 선형적으로 증가하는 것으로 간주되었습니다. 이것을 일정 평균 정도 가설이라고 합니다. 그러나 광범위한 실험에 따르면 평균 정도가 증가함에 따라 네트워크가 시간이 지남에 따라 더 조밀해집니다(따라서 노드 수에서 에지의 수가 매우 선형적으로 증가함). 조밀화는 조밀화 거듭제곱 법칙(또는 성장 전력- 법), 정의
$$e(t)\propto n(t)^{a}$$
여기서 e(t) 및 n(t)는 각각 그래프 시간 t의 간선 및 노드 수를 정의하고 지수 a는 일반적으로 엄격하게 1과 2 사이에 있습니다. a =1인 경우 이는 반면 a =2는 각 노드가 모든 노드의 고정된 부분에 대한 에지를 갖는 완전히 조밀한 그래프에 해당합니다.
-
축소 직경 − 네트워크가 증가함에 따라 효율적인 직경이 감소하는 경향이 있음을 실험적으로 보여주었습니다. 이는 네트워크 크기에 따라 직경이 천천히 증가한다는 이전의 이해와 모순됩니다.
노드가 논문이고 한 논문에서 다른 논문으로의 인용이 방향 모서리로 표시되는 인용 웹을 고려하십시오. 노드의 아웃링크 v(v에 의해 인용된 논문 정의)는 그래프를 결합하는 순간 "고정"됩니다. 노드 쌍 사이의 거리 감소는 결과적으로 여러 분야의 이전 논문을 인용하여 "다리" 역할을 하는 후속 논문의 결과로 나타납니다.
-
무거운 꼬리가 있는 외도 및 내도 분포 − 노드에 대한 다중 아웃도는 멱법칙 1/n a 을 준수하여 두꺼운 꼬리 분포를 따르는 경향이 있습니다. , 여기서 n은 out-degree가 감소하는 순서로 노드의 순위이며 일반적으로 0
꼬리가 무거울수록 값이 작습니다. 이 현상은 각각의 새 노드가 기존 네트워크에 고정된 수의 외부 링크에 의해 연결되는 우선 연결 모델에서 정의됩니다. 내측도 역시 두꺼운 꼬리 분포를 따르지만 그 영향력은 외측 분포보다 더 편향되어 있습니다.