skip to content
Evolution of networks : doctoral thesis Preview this item
ClosePreview this item
Checking...

Evolution of networks : doctoral thesis

Author: Nataša Kejžar; Vladimir Batagelj
Publisher: Ljubljana : [N. Kejžar], 2007.
Edition/Format:   Book : English
Database:WorldCat
Summary:
Analiza omrežij je večdisciplinarno področje, ki proučuje enote, prav tako pa tudi relacije med njimi. V delu se osredotočimo na razvoj in analize različnih modelov omrežij, ki se razvijajo v času. Dejanska omrežja se razvijajo in rastejo skozi čas, zato je pomembno, da poskušamo razumeti pravila in načela njihovega razvoja. Ker je podatke za dejanska omrežja velikokrat nemogoče zbrati, se zato
Rating:

(not yet rated) 0 with reviews - Be the first.

Subjects
More like this

 

Find a copy in the library

&AllPage.SpinnerRetrieving; Finding libraries that hold this item...

Details

Document Type: Book
All Authors / Contributors: Nataša Kejžar; Vladimir Batagelj
OCLC Number: 441447441
Description: VIII, 147 str. : graf. prikazi ; 30 cm.
Responsibility: Nataša Kejžar.

Abstract:

Analiza omrežij je večdisciplinarno področje, ki proučuje enote, prav tako pa tudi relacije med njimi. V delu se osredotočimo na razvoj in analize različnih modelov omrežij, ki se razvijajo v času. Dejanska omrežja se razvijajo in rastejo skozi čas, zato je pomembno, da poskušamo razumeti pravila in načela njihovega razvoja. Ker je podatke za dejanska omrežja velikokrat nemogoče zbrati, se zato uporabijo in analizirajo modeli kot njihovi najboljši približki. V delu definiramo nov okvir za opisovanje razvoja omrežij - verjetnostne induktivne razrede grafov (PICG). Nova definicija je razširitev induktivnih razredov grafov s tem, da izbiro osnovnih grafov, pravil in njihovih levih elementov postavimo v verjetnostni prostor. Kot PICG se da opisati veliko že znanih modelov omrežij. Za nekatere PICG modele predstavimo verjetnostne rezultate o velikosti in redu omrežja in določimo porazdelitve stopenj vozlišč, ko gre čas proti neskončnosti. Za tem podamo stohastično definicijo modela omrežja, ki ga imenujemo omrežje povratnih povezav. Ta se razvija z dodajanjem vozlišč in grajenjem ciklov, ki omogočijo gradnjo povratnih povezav. Motivacija zanj izhaja iz družbenih procesov. Ne da se ga opisati kot PICG. S simulacijami proučimo nekatere pomembne statistične lastnosti modela: povprečno najkrajšo pot, delež med številom vozlišč in povezav in porazdelitev stopenj vozlišč skozi čas. V zadnjem delu podamo drugačen pogled na razvoj stopenj vozlišč skozi čas. Predstavimo nov pristop k razvrščanju porazdelitev sklicevanj (za dela) skozi čas z namenom, da dobimo glavne in informativne vzorce, ki jih imajo porazdelitve sklicevanj skozi čas. Ti vzorci so pomembna informacija za področje scientometrike, kjer ocenjujejo časovno pomembnost del z različnimi indeksi citiranosti.

Network analysis is a multidisciplinary field in which units along with the relationships among them are studied. We concentrate on the development and analyses of different time-evolving network models. Real-world networks are evolving and growing over time, hence it is relevant to try to understand their evolutionary rules and principles. While real-world complete networks are often impossible to collect, models representing their best approximations are studied instead. We define a new framework of probabilistic inductive classes of graphs (PICGs). The new definition is an extension of inductive classes of graphs by imposing the probability space in the choice of initial graphs, rules and their left elements. Many known network models can be cast as PICGs. We present some probabilistic results regarding the size and order of some PICG models and (approximately) determine the network degree distribution. Another stochastic network model definition is also given.The so-called feedback network model (which evolves by creating vertices and cycles that enable a feedback process) is motivated by the social sciences. It does not fit within the PICGs framework. With simulations, we observe the evolution of relevant statistical network properties: the average shortest path, the ratio between the number of vertices and links and degree distribution. Lastly, a different perspective on the evolving vertex degree distribution is given. We propose an approach to clustering temporal citation distributions in order to obtain relevant and informative temporal citation patterns. These patterns are useful in the field of scientometrics where the temporal importance of works is evaluated with citation indices.

Reviews

User-contributed reviews
Retrieving GoodReads reviews...
Retrieving DOGObooks reviews...

Tags

Be the first.
Confirm this request

You may have already requested this item. Please select Ok if you would like to proceed with this request anyway.

Linked Data


<http://www.worldcat.org/oclc/441447441>
library:oclcnum"441447441"
library:placeOfPublication
library:placeOfPublication
owl:sameAs<info:oclcnum/441447441>
rdf:typeschema:Book
schema:author
schema:contributor
schema:datePublished"2007"
schema:description"Analiza omrežij je večdisciplinarno področje, ki proučuje enote, prav tako pa tudi relacije med njimi. V delu se osredotočimo na razvoj in analize različnih modelov omrežij, ki se razvijajo v času. Dejanska omrežja se razvijajo in rastejo skozi čas, zato je pomembno, da poskušamo razumeti pravila in načela njihovega razvoja. Ker je podatke za dejanska omrežja velikokrat nemogoče zbrati, se zato uporabijo in analizirajo modeli kot njihovi najboljši približki. V delu definiramo nov okvir za opisovanje razvoja omrežij - verjetnostne induktivne razrede grafov (PICG). Nova definicija je razširitev induktivnih razredov grafov s tem, da izbiro osnovnih grafov, pravil in njihovih levih elementov postavimo v verjetnostni prostor. Kot PICG se da opisati veliko že znanih modelov omrežij. Za nekatere PICG modele predstavimo verjetnostne rezultate o velikosti in redu omrežja in določimo porazdelitve stopenj vozlišč, ko gre čas proti neskončnosti. Za tem podamo stohastično definicijo modela omrežja, ki ga imenujemo omrežje povratnih povezav. Ta se razvija z dodajanjem vozlišč in grajenjem ciklov, ki omogočijo gradnjo povratnih povezav. Motivacija zanj izhaja iz družbenih procesov. Ne da se ga opisati kot PICG. S simulacijami proučimo nekatere pomembne statistične lastnosti modela: povprečno najkrajšo pot, delež med številom vozlišč in povezav in porazdelitev stopenj vozlišč skozi čas. V zadnjem delu podamo drugačen pogled na razvoj stopenj vozlišč skozi čas. Predstavimo nov pristop k razvrščanju porazdelitev sklicevanj (za dela) skozi čas z namenom, da dobimo glavne in informativne vzorce, ki jih imajo porazdelitve sklicevanj skozi čas. Ti vzorci so pomembna informacija za področje scientometrike, kjer ocenjujejo časovno pomembnost del z različnimi indeksi citiranosti."
schema:description"Network analysis is a multidisciplinary field in which units along with the relationships among them are studied. We concentrate on the development and analyses of different time-evolving network models. Real-world networks are evolving and growing over time, hence it is relevant to try to understand their evolutionary rules and principles. While real-world complete networks are often impossible to collect, models representing their best approximations are studied instead. We define a new framework of probabilistic inductive classes of graphs (PICGs). The new definition is an extension of inductive classes of graphs by imposing the probability space in the choice of initial graphs, rules and their left elements. Many known network models can be cast as PICGs. We present some probabilistic results regarding the size and order of some PICG models and (approximately) determine the network degree distribution. Another stochastic network model definition is also given.The so-called feedback network model (which evolves by creating vertices and cycles that enable a feedback process) is motivated by the social sciences. It does not fit within the PICGs framework. With simulations, we observe the evolution of relevant statistical network properties: the average shortest path, the ratio between the number of vertices and links and degree distribution. Lastly, a different perspective on the evolving vertex degree distribution is given. We propose an approach to clustering temporal citation distributions in order to obtain relevant and informative temporal citation patterns. These patterns are useful in the field of scientometrics where the temporal importance of works is evaluated with citation indices."
schema:exampleOfWork<http://worldcat.org/entity/work/id/326991310>
schema:inLanguage"en"
schema:name"Evolution of networks : doctoral thesis"
schema:publisher
schema:url

Content-negotiable representations

Close Window

Please sign in to WorldCat 

Don't have an account? You can easily create a free account.