社会网络演化的几何图表示与博弈机理分析及案例研究

With the development of mobile Internet technology, social network exists widely in the fields of economy, military, science and technology. In the networked world, a range of studies focus on network structures, evolution, etc. We devote to study the evolutionary rules of social networks, and try to find simple mechanisms underlying these complex networks. To achieve this aim, we synthetically use graph theory, statistics, geometry, and optimization theory, and study co-authorship networks, citation networks and web-graphs as cases. Through geometric graphs and game rules, we represent evolution mechanism, predict node behaviors, and explain the emergence of statistical characteristics. The generation mechanism from the perspective of game theory and geometric, we interpret the mathematical laws underlying the statistical and topological features of these networks. Based on the case study, we figure out the theoretical frames for geometric graph representation and game mechanisms for local self-organized networks from society. Meanwhile, we explore effective ways of data-driven research paradigm of networks. The results of research can be generated to study social networks generated by cooperation, communication relationship, and causalities.

随着移动互联网技术的发展, 社会网络作为社会成员间互动所形成的一种关系体广泛存在于经济、科技、军事等各个领域. 在全球网络化的背景下, 对社会网络的生成机制、演化规律、结构性质等多方面的研究显得尤为重要. 本申请项目致力于研究社会网络演化行为, 旨在化繁为简, 探寻一般规律. 采用图论、统计、几何、优化等理论方法, 以引文网络、合著网络与网页链接网络这三类情报信息数据中的社会网络为实际应用案例开展研究. 运用几何图与博弈模型, 研究网络生成机制, 解释网络统计与拓扑特性的产生机理, 推断网络节点行为, 预测网络演化趋势. 在案例研究的基础上, 凝练局部自组织社会网络演化机理的几何图表示与博弈模型的理论架构, 探索数据与问题驱动研究范式下网络科学研究的有效途径. 案例研究结果可拓展应用于社会环境中的人物间合作与通联关系、事件间因果关系等所构成的现实网络.

针对科研合作复杂网络建模难题，建立了几何超图模型，用空间距离刻画合作成本，用几何区域大小刻画节点声誉大小，用声誉表示预期收益，用“收益-成本>0”为合作条件。模型刻画了合作博弈中的空间互惠原则，反演了合作网络统计特征中的多模态现象，实现了从简单行为到复杂现象的演化过程，揭示了基于“收益-成本>0”的博弈机制在合作网络复杂性产生中的作用，推导出多模态服从的数学公式。在科研合作案例上，回答了Science期刊提出的“人类合作行为如何演化”难题，回答了复杂性基本问题之一“社会复杂性如何从简单行为产生”。还建立了合作与引文网络协同演化模型，所提出的并行化模型是目前唯一能大规模全时域高保真反演整个网络的模型。针对文本数据的资源掌控、深层次线索发现等核心问题，融合智能与复杂性方法，提出了大规模文本数据实体多视角多模态复杂关联关系保语义表示模型以及态势分析算法，实现了话题、事件、群体及其核心元素、角色等重要对象的有效识别。提出了知识、模型与数据融合的预测方法，所建立的分片泊松模型等系列模型在DBLP (包含了10余万人，30年的论文数据)等大规模数据集上得到了验证，这是目前关于论文数量与合作者数量的趋势和分布预测上唯一符合真实数据的模型。