1.7 社交网络的前沿方向

1.7.1 多层网络

系统的组分用节点表示，组分之间的相互作用用节点之间的连接关系及强度表示。这样的建模方式有助于人们关注系统的结构而忽略系统组分的差异。多层网络（Multilayer Network）强调系统内部的多层次连通性，并通过不同类型的连接来表征系统内部组分的结构差异性。在现实生活中，多层网络可以是不同社交平台构成的社交网络，如航空平台、铁路平台、汽车平台构成的多维交通网络等。多层网络并不是多个子网络的简单堆叠，而是通过网络中层与层之间的功能耦合关系形成的一个复杂巨系统。社交网络中的节点（人）可以同时进行线上或线下活动时，该类节点属于不同的网络层。图1.5中显示了多层网络示意图。

1.7.2 时序网络

网络不是一成不变的。真实网络中的节点和链接可能会突然出现或者消失，网络中的链接关系会随时间动态变化。将网络的节点属性及其关联关系随时间变化纳入模型中的网络称为时序网络（Temporal Network），图1.6中显示了时序网络示意图。考虑时间信息时，会使得复杂网络的研究方法变得更加复杂，对于网络结构特性及其动力学行为的分析都需要重新定义，因此时序网络成为近年来网络科学研究领域的前沿方向。

1.7.3 网络动力学

网络动力学是指动力学模型在不同网络上的性质与相应网络的静态统计性质的联系相对于网络系统由网络流量作为状态量的动力学。网络动力学性质的基本研究对象包括已知和未知的静态几何量。如果发现了某个模型在某个网络上有某种特殊的表现，那么可以认为这一网络的某种特征影响了这个模型的表现。这种特征有可能是已经得到研究的网络几何特性，也可能是未被发现的几何特征，前者将印证网络上这些几何量的重要性，后者将推动网络本身研究的发展。网络动力学演化如图1.7所示，它以概率p重新连接为不同的网络。

节点之间互动机制的研究，称为网络中的动力学。复杂网络中的动力学行为包括传播、同步、交流、博弈等。各种动力学具备各自的特征，同时又具有很多共性。近年来，随着人们对复杂网络研究工作的不断推进，对几类新型网络结构模型上的传播行为研究成了复杂网络研究中的一个热点，具有十分重要的理论意义和实际价值。

1.7.4 图网络

图网络（Graph Network）是指在拓扑空间内按图结构组织进行关系推理的函数集合，图 1.8 中显示了图网络概述图。在深度学习理论中，图网络是图神经网络和概率图模型的推广。图网络由图网络块构成，具有灵活的拓扑结构，可以特化为各类连接主义模型，包括前馈神经网络、递归神经网络等。更一般的图网络适用于处理具有图结构的数据，如知识图谱、社交网络、分子网络等。图网络是结合网络科学与机器学习的前沿学科。用于自然语言处理、图像处理、计算机视觉等领域中的传统神经网络、深度学习等技术只能处理欧氏空间数据（如图像、文本和语音），这些领域的数据具有平移不变性。图网络不仅可以有效地解决诸如连边预测、社区划分等经典的网络科学问题，而且可以解决诸如节点分类、网络补全、图上的组合优化问题等非传统的网络科学问题。

1.7.5 自适应网络

自适应网络（Adaptive Network）考察的是节点间的博弈在节点间的合作，以及群体智慧的涌现。自适应网络的建模常常关注节点何时会重连。例如，对于一般的疾病传播模型，节点会以一定的概率切断和已感染节点的连接，并且和未感染的节点建立连接，以保护自己；又如，对于社交网络，选择与那些观点和自己相近的节点连接，取消关注那些观点或阅读难度和自己差距较大的连接。