揭示复杂网络的演化机制是认识复杂网络的基本手段。大量网络演化相关的研究成果表明，复杂网络往往是由多种不同机制共同驱动的，而这些机制所起的作用也是有强有弱。先前的研究大多侧重于提出某种网络演化机制，然后构建模型使得模型网络在拓扑性质上更加贴近于真实网络；然而却没有人尝试量化这些机制在网络演化过程中的角色强弱。

为解决这一问题，张千明等人引入了似然分析的方法，使得量化演化机制的贡献变为可能。他们假设网络是由某些机制共同驱动而生成的，根据每一种机制的连边规则，都能计算得出网络中每一条新增连边的似然；然后通过一组参数来控制不同机制对应的似然，以刻画每一条新增连边在混合机制驱动下出现的似然；最后，让这些新增连边似然最大化的参数组合即表征了这些机制的作用大小。这一方法在模型网络中取得了极好的效果，即对演化机制的贡献大小给出了非常准确的估计。他们随后将这一方法应用于多种真实网络，并观察流行性和聚类性的影响：一方面，他们发现大多数网络的演化都同时受到这两种机制的影响，但在不同网络中两者的作用大小非常不同；另一方面，在一个网络中，两种机制的比重会随着时间的推移而发生变化。

文章还引入了基于链路预测的评估方法。链路预测是根据已知的网络信息来预测未来连边出现的可能性。于是他们假设如果一个链路预测算法能得到更准确的预测，那么这个算法对应的机制对于网络演化的描述也越准确。他们将多种机制对应的链路预测算法组合为一个混合的链路预测算法，从而对这些机制的贡献大小做出估计。然而，这个方法却经常失效。文章对链路预测方法失效的原因以及似然分析方法的优势做出了详细的讨论。

这个工作是由电子科技大学互联网科学中心的张千明博士、大连民族学院的许小可教授、互联网科学中心的朱郁筱博士和大数据研究中心的周涛教授合作完成.

论文信息：

Qian-Ming Zhang (张千明),  Xiao-Ke Xu (许小可), Yu-Xiao Zhu (朱郁筱) and Tao Zhou (周涛), Measuring multiple evolution mechanisms of complex networks.

Scientific Reports, 2015, 5:10350.

论文链接(全文免费下载)：

http://www.nature.com/srep/2015/150611/srep10350/pdf/srep10350.pdf