学习网络增长的机制

我们提出了一种面向动态网络的新型模型选择方法。该方法通过在大规模合成网络数据上训练分类器来实现。这些合成数据通过模拟九种前沿的动态网络随机图模型生成，且参数范围的设定确保了网络规模随时间呈指数增长。我们设计了一类概念上新颖的动态特征，用于统计在特定时间区间内，一组顶点所接收的新连接数量。所提出的特征具有计算简便、可解析处理以及高度可解释性的优点。实验结果表明，该方法对合成网络的分类性能接近完美，显著超越了现有最先进方法。将该分类方法应用于真实世界的引文网络，进一步验证了文献中关于“具有优先连接性、适应度（fitness）和老化机制的模型最能拟合真实引文网络”的观点，尽管在某些情况下，预测出的最佳模型并不包含顶点适应度因素。