书: https://pan.baidu.com/s/1LWWovU7IScpiddLrDhjl1w?pwd=pc5n
笔记如下：
- 网络科学基础：研究复杂系统的结构、动力学与功能，核心对象包括节点（Node）和边（Edge）。
- 随机网络模型（Erdős–Rényi）：假设节点间随机连接，度分布服从泊松分布，缺乏真实网络的特性。
- 小世界网络（Watts-Strogatz）：高聚类系数与短平均路径长度，通过重连规则实现。
- 无标度网络（Scale-Free）：度分布服从幂律（( P(k) \sim k^{-\gamma} )），存在少数枢纽节点（Hub）。
- 优先连接（Preferential Attachment）：新节点倾向于连接高连接数节点，解释无标度网络的形成（Barabási-Albert模型）。
- 网络鲁棒性：无标度网络对随机故障稳健，但对枢纽节点攻击脆弱。
- 社区结构（Community Detection）：模块化（Modularity）衡量社区划分质量，算法如Girvan-Newman。
- 网络传播模型：
- SIR模型（易感-感染-恢复）
- 级联失效（Cascading Failure）
- 网络中心性指标：
- 度中心性（Degree Centrality）
- 介数中心性（Betweenness Centrality）
- 接近中心性（Closeness Centrality）
- 特征向量中心性（Eigenvector Centrality）
- 网络动力学：同步（Synchronization）、控制（Controllability）、博弈论应用。
- 多层网络（Multilayer Networks）：节点在不同层级间存在交互（如社交+通信网络）。
- 时间网络（Temporal Networks）：边随时间动态变化，分析时序相关性。
- 网络可视化：力导向布局（Force-Directed Layout）展示节点关系。
- 真实网络案例：
- 互联网拓扑
- 社交网络（Facebook、Twitter）
- 生物网络（蛋白质相互作用、神经网络）
- 网络科学工具：
- Gephi：可视化与分析
- NetworkX（Python库）：构建与计算网络指标
- 网络生成模型对比：随机网络 vs. 小世界 vs. 无标度网络的拓扑差异。
- 链路预测（Link Prediction）：基于节点相似性或机器学习预测缺失边。
- 网络嵌入（Network Embedding）：DeepWalk、Node2Vec等将节点映射为低维向量。
- 网络科学应用：
- 流行病控制
- 推荐系统
- 交通优化
- 开放问题：网络控制理论、高阶交互（超图）、网络几何与深度学习结合。