基于指数随机图模型的发明者合作网络形成机制研究

聚焦探讨不同因素是否以及如何影响发明者合作网络形成,基于2004—2021年华为在中国申请的专利数据,构建发明者合作网络,运用指数随机图模型探讨行动者属性和内生结构效应对发明者合作网络形成的影响机理。结果表明:发明者合作网络是稀疏网络,呈现星形结构和闭合三角形结构共存的网络结构模式;发明者协同创新能力抑制新合作关系的形成,但发明者合作伙伴多样性和合作深度均促进新合作关系的形成,且具有相同水平合作伙伴多样性或合作深度的发明者之间更容易建立合作关系;发明者倾向于与处于中心位置的发明者建立合作关系以及与具有共同合作伙伴的直接合作伙伴建立新合作关系。

黄河流域生态协同治理网络结构特征与形成机制——基于指数随机图模型

黄河流域生态保护和高质量发展战略指出了“共同抓好大保护,协同推进大治理”的重要方向。该研究利用文本分析方法厘清了2020—2022年黄河流域42个地级市/州间的生态协同治理关系,运用网络分析方法和指数随机图模型(ERGMs)识别了协同治理网络的结构特征及其形成机制。研究发现:(1)黄河流域生态协同治理网络呈现“少部分地级市独立治理、多数地级市/州域内紧密协同”的总体格局,并且上中下游协同结构差异明显;模块划分具有组织和地理邻近效应以及跨省溢出效应特征,同时各组团内部联系的紧密程度存在异质性。(2)黄河流域生态协同治理网络的形成显著受到传递效应、择优依附效应的影响;城市绿地面积更大的地级市/州对其他治理主体具有较强的协同吸引力;经济地理集中度和科技投入规模相似的地级市/州政府间也具有协同的倾向;地理邻近性、组织邻近性等属性特征是协同网络形成的重要外生驱动力。基于上述结论,该研究提出未来应细化治理政策来消除地级市/州跨省域协同障碍,增强协同治理网络传递性,发挥核心地级市/州的领导力;完善激励和补偿机制,缩小地级市/州发展差距;搭建跨省域地级市/州协同平台,减少行政分割对协同行为的约束,以促进黄河流域生态协同治理网络优化和改进。

基于指数随机图模型的政府开放数据协同关系网络形成机制

[目的/意义]在促进政府开放数据融合性增值利用的政策背景下,明晰多源异构政府开放数据建立协同关系的驱动因素和机制至关重要,有助于为推动政府开放数据资源跨地区、跨层级和跨部门的共享利用提供参考。[研究设计/方法]建立解释框架和指数随机图模型分析政府开放数据协同关系网络的形成,并基于山东省政府开放数据创新应用成果的数据来源信息进行实证研究。[结论/发现]政府开放数据协同关系网络呈现显著的集聚性、传递性结构特征,具有高数据量、更新频率、下载量、浏览量和相同领域、行政区域、更新频率与开放等级的政府开放数据更有可能建立协同关系,数据项关系网络和提供者关系网络则在政府开放数据协同关系形成过程中发挥跨网络效应。[创新/价值]应用社会网络定量方法对政府开放数据协同关系进行建模分析,研究结论有助于把握多源异构的政府开放数据协同供给和融合性增值利用的潜在机制,并为未来研究和实践提供参考。

随机图的■-全局性

■(n,Δ,d_(m))表示一类n个点的图,其最大度为Δ,最大密度为d_(m)。如果图G包含■中所有的图■,那么称图G是■-全局性的。运用概率方法证明了当概率p大于某个阈值时,图G~■(n,p)以趋近于1的概率是■(n,Δ,d_(m))-全局性的。

基于指数随机图模型的应急协作网络形成机制研究——以郑州“7.20”特大暴雨为例

为应对复杂多变的灾害情境下,所有行动者在一定的规则和机制下建立跨主体、跨层级和跨领域的应急协作网络,探讨其形成机制有助于深入理解行动者行为逻辑,从而优化网络。本文以郑州暴雨为实证研究对象,采用网络数据进行事件分析,基于指数随机图模型探究政府组织间、政府组织与非政府组织间关系和网络形成规则。研究发现,存在隶属关系的地方政府部门合作紧密,中介组织在政府与非政府组织联系中发挥重要作用。因此,在突发暴雨灾害应对过程中,应明确纵向和横向部门权责划分、发挥枢纽组织影响力,进一步发挥协作网络在应急管理中的优势。

随机图的点魔幻全染色算法

对于图G(V,E),若存在正整数k(1≤k≤|G|+|E|)和映射f:V(G)∪Ε(G)→{1,2,…,k},使得对任意两点u,v∈V(G),有S(u)=S(v),其中S(u)=f(u)+∑_(uw∈E(G))f(uw),则称f为G的点魔幻全染色,且称χVMTC(G)=max{k|k-VMTC of G}为点魔幻全色数.在已有的点魔幻标号和点可区别染色研究基础之上,结合实际问题提出了点魔幻全染色(VMTC),设计了一种新型的点魔幻全染色算法,该算法使用迭代寻优的方式对随机图进行了研究,通过实验结果分析,总结得到了若干定理并给出证明.

基于指数随机图模型的技术机会识别

识别领域内的技术机会是研发组织创新管理的重要内容。本文提出一种识别特定领域技术机会的新方法,基于知识元素的组合属性(包括组合广度、组合强度和组合距离)、传递性和同配性,构建指数随机图模型,在模型参数估计的基础上计算知识元素间进行组合的概率,进而发现领域内的技术机会。本文采用2016—2021年物联网领域的发明专利数据验证了该方法的有效性,并利用工业机器人领域的发明专利数据验证了该方法的稳健性。

指数随机图模型的分析与应用——基于新浪微博数据的实证研究

在这个移动互联网的时代,社交网络引起了人们的广泛关注。社交网络是一个由行动者及他们之间多种多样的关系构成的巨大网络,其核心价值在于关系数据的分析。指数随机图模型是一系列分析社交网络的统计模型。该模型中的参数主要是构成社交网络的各类结构,也就是联系不同行动者的各类纽带。通过分析这些结构,可以了解行动者是如何受到社交网络中各类关系的影响,从而进一步探索该社交网络的形成过程。总的来说,指数随机图模型应用在网络数据的分析中,能够研究社会结构及网络进程。本文介绍了不同假设下几种常见的指数随机图模型的基本思想,包括伯努利模型、p1模型、p*模型、社交圈模型,并通过新浪微博数据,详细介绍这几种模型的应用。在实证部分,本文通过数据模拟进行模型检验,验证了社交圈模型优于其他几种模型的结论,并联系实际进行了解释,同时介绍了其在好友推荐等应用方面的参考价值。

复杂网络中随机图模型研究

随着复杂网络研究的兴起,随机图成为一种重要复杂网络模型。基于完全图的生成子图的思想,得到了生成随机图的一种新算法,即用去边的方法生成随机图的算法,并用数值实验验证了加边和去边生成的随机图的统计特性(最大度、最小度、聚集系数、平均最短路径和平均度)是相近的,用去边的方法得到的图的度分布曲线在其平均度处达到峰值,随后呈指数下降,这与随机图的度分布是相同的。为了得到稀疏连通的随机图,又提出了一个不去割边的近似随机图生成算法,并从理论上说明了该算法生成的图是连通的,同时通过数值实验验证了图的连通性,并与加边随机图的统计特性进行了比较。

随机图的点可区别全染色算法

点可区别全染色(VDTC)是指在满足正常全染色的基础上,还要使得图中由顶点颜色和其关联边颜色构成的顶点色集合也不同,所使用的最少颜色数称为点可区别全色数。提出了一种针对随机图的点可区别全染色算法,算法的基本思想是对图G中的边随机地进行预染色,查找存在边染色不正常的冲突集,然后根据规则逐步迭代,直至使目标函数的值满足要求,此时说明染色成功。实验结果表明,算法能够有效地求得给定点数随机图的点可区别全色数,算法时间复杂度不超过O(n3)。

基于指数随机图模型的协同创新网络形成机理研究

[目的/意义]厘清协同创新网络的形成机理是对协同创新进行有效管理的前提。[方法/过程]文章以101家生物科技研发机构的共有专利数据为例构建协同创新网络,并使用指数随机图模型对这个网络的形成机理进行了分析检验。[结果/结论]分析结果显示:构建的协同创新网络是一个小世界网络。网络中的边、交互三角形等结构对整个网络的形成有显著影响。网络节点的研发能力和同质性也能显著影响网络的形成。

基于层次随机图的社会网络差分隐私数据发布

在线社会网络已经成为社会学和信息科学的数据宝库,但是直接分析社会网络数据会造成敏感信息泄漏,对用户隐私构成威胁。传统的基于数据匿名化技术的隐私保护技术面对不断提高的背景攻击显得无能为力。对此,差分隐私作为一种可以严格定义的可量化技术被引入到社会网络的隐私保护中。文中提出一种基于层次随机图(Hierarchical Random Graph)的满足ε-差分隐私的社会网络图发布算法DP-HRGP(Differential Privacy-Hierarchical Random Graph Publishing)。该算法的噪声增加机制分为两个阶段:首先通过指数机制计算HRG结构树的得分,并利用马尔科夫蒙特卡洛(Markov Chain Monte Carlo)方法进行采样得到HRG结构树候选集合,然后通过拉普拉斯机制对稳态采样集合中的HRG的内部节点进行加噪,将加噪后的HRG转化为下三角矩阵,并求出所有稳态采样HRG的下三角均值矩阵,最后,根据均值矩阵内元素值即层次随机图的内部节点的连接概率值生成净化后的社会网络发布图。实验证明了DP-HRGP算法在满足ε-差分隐私的同时具有较好的数据可用性。

基于随机图的CRAdHoc网络频谱管理方案

针对认知无线电网络Ad Hoc共享频段协商困难问题,提出了一种基于随机图的频谱管理方案,通信实体根据频谱数量、网络规模和链路连通概率选择合理规模的备选频段,在保证网络有效连通性的前提下,限制通信实体的频谱规模。实验表明,节点从频谱池中选择较少的频段就可以保证连通性,节点间的通信路径长度不会因为频谱选择而增加。该方案适合快速部署CR Ad Hoc网络应用环境。

随机图点覆盖1度顶点核化算法分析

将随机图引入参数计算领域,利用随机图统计和概率分布等特性,从全局和整体上研究参数化点覆盖问题1度点核化过程中问题的核及度分布演变的内在机制和变化规律,并得出关于随机图1度点核化强度与顶点平均度关系及随机图点覆盖问题的决策与度分布关系的两个重要推论.最后分别从MIPS和BIND提取数据进行1度核化实验和分析.初步结果表明,对随机图点覆盖问题的分析方法不仅具有理论上的意义,而且随着问题随机度的大小而对问题有不同程度的把握能力.

基于边生命周期的短波IP网络随机图模型

针对短波IP网络中物理连接存在生命周期和接收节点选择方式不同对网络拓扑结构和性能产生的影响,提出了一种基于边生命周期和接收节点多种选择方式的随机图模型。模型中节点之间边生命周期服从正态分布,而新边建立的节点选择方式按照随机选择、度值择优选择和度值反择优选择的方式,用来模拟短波IP网络不同的通信过程。理论分析和仿真也发现,接收节点选择方式的不同将会对网络的度分布、平均最短距离、网络总的度值和节点最大度值及聚集系数都产生影响,而小的连接生命周期将显著减少网络中总的度值和节点的最大度值,减少对物理层资源的占用,提升网络的效能。

随机图的邻点可区别V-全染色算法

图G的邻点可区别V-全染色就是相邻的边、顶点与其关联边必须染不同的颜色,同时要求相邻顶点的色集合也不相同,所用的最少颜色数称为图G的邻点可区别V-全色数.根据邻点可区别V-全染色的约束规则,设计了一种启发式的邻点可区别V-全染色算法.该算法借助染色矩阵及色补集合逐步迭代交换,每次迭代交换后判断目标函数值,当目标函数值满足要求时染色成功.给出了算法的详细描述以及算法分析和算法测试结果.实验结果表明,该算法有很好的执行效率,并可以得到随机图的邻点可区别V-全色数,验证了邻点可区别V-全染色猜想,并且算法的时间复杂度不超过O(n3).

群集性随机图中的波及效应

随机图是社会网络分析的重要工具,在Newman等对传统随机图模型的研究基础上,研究了具有群集性的随机图这一与现实社会网络更为接近的随机图模型中的波及效应。利用概率论的方法计算出群集性随机图中距离波动中心任意远的被波及对象的期望数量,利用推导出的一般公式分析了该类随机图中波及效应的特点,并考察了群集性对波及效应的影响。由分析知,每个点的平均阶是影响波及效应的最具决定性的因素。从总体上说,群集性降低了波及效应。

基于指数随机图模型的区域产业组织网络形成研究:来自义乌的经验证据

在经济活动中,各类市场主体之间存在错综复杂的供给与需求关系,进而形成产业组织网络。采用银行转账数据还原义乌市企业间的相互关联,克服了投入产出方法只能反映产业层面关联的限制,并引入指数随机图模型,从更微观的层面,更充分和全面地考察影响企业间关系形成的多种社会过程及其对产业组织网络的塑造作用。研究发现:义乌市企业关系中存在强烈的互惠倾向,双向互动多于单向买卖;义乌市企业选择交易对象更多地是通过中间商联络,传递性在网络中起到了较大的正向作用,而聚敛性和扩张性主要起到负向作用,即企业拓展商业渠道的意愿不强烈;与非企业机构相比,企业更多地担任供给方的角色,位于相对富裕、人口较少地区的企业具有更高的对外输出能力。

一类偏向删点及顶点有限制的随机图上的相变

固定α_0∈[0,1)及β∈[0,1/2).该文引入如下随机图过程(G_t)t≥1:设在时刻1及2已存在图G_1=G_2,其中G_1的顶点为v_1,v_2且它们之间有2条边相连.当t≥3时,G_t定义如下:(i)G_(t-1)中任意顶点v不活跃的概率为α_0.顶点不活跃意味着其不能与t时刻新增加的顶点相连.此概率独立于自己以及其他顶点t-1之前的状态;(ii)以概率1-β增加一个新顶点v_t.在G_(t-1)中以概率dw(t-1)/∑vdv(t-1)选一顶点w,其中d_w(t-1)表w在G_(t-1)中的度.若w是活跃的则在v_t与w之间连1条边,否则在v_t上加个环;(iii)以概率β在G_(t-1)中删去一顶点u,其中u被选中的概率为(1-du(t-1)/∑vdv(t-1))/(n_(t-1)-1).此处,n_(t-1)是G_(t-1)的顶点个数.令N_k(t)表G_t中度为k的顶点个数.该文证明了G_t度分布的期望在2β/1-α_0=1附近存在一相变:当2β/1-α_0>1时,N_k(t)/t的期望是呈指数衰减的;当2β/1-α_0<1时,N_k(t)/t的期望是呈幂律衰减的.

随机图ξ(n,M)上随机游动的平均返回时间

设 G 是一个连通图,G 上的随机游动是如下的马氏链:其状态空间是 G 的顶点集,从一个顶点总是以等概率转移到相邻的顶点。用 E_(n,M)(k)表示在全体具有 n 个顶点 M 条边的连通图上,随机游动回到具有次数为 h 的项点所用的平均时间。我们得到了以下结果:对任意固定实数 c,令 M_o=[1/2nl_n+cn],那么当→∞时,