RGCN 第一章概念总表：复杂网络名词地图
RGCN 第一章概念总表：复杂网络名词地图
使用方式
这份文件是第一章概念入口。需要完整教辅、代码和作业答案时，读：
08_资料库/RGCN_第一章完整教辅_复杂网络名词地图.md
核心概念
| 概念 | 一句话定义 | 第一章中要掌握的重点 |
|---|---|---|
| graph | 由节点和边组成的关系结构 | 把真实系统抽象成网络 |
| vertex | 图中的节点 | 表示研究对象 |
| edge | 图中的边 | 表示对象之间的关系 |
| degree | 一个节点连接了多少条边 | 局部连接规模 |
| degree distribution | 随机选一个节点时 degree 的分布 | 描述全网连接差异 |
| empirical degree distribution | 从具体网络中统计出来的度数分布 | 真实数据分析第一步 |
| CCDF | degree 至少达到某阈值的比例 | 观察尾部和 hub |
| tail distribution | 超过高阈值的概率 | 极值分析入口 |
| power law | 尾部按幂函数下降 | 解释重尾和极端节点 |
| scale-free | 度数分布没有典型尺度 | 常和 power-law tail 相关 |
| maximum degree | 全网最大的 degree | 网络极值问题 |
| hub | degree 极大的节点 | 影响传播、连通性和距离 |
| small-world | 随机两点之间典型距离很短 | 关注 shortest path |
| giant component | 包含正比例节点的连通分量 | 衡量宏观连通性 |
| Erdos-Renyi graph | 每条边独立同概率出现的随机图 | 基准模型 |
| sparse regime | 平均度保持有限的稀疏图设定 | 常用 p = lambda/n |
| Poisson degree | ER 稀疏图中的度数近似 | 说明 ER 尾部较轻 |
| phase transition | 参数经过临界值时结构突变 | ER 巨分量出现的核心现象 |
第一章主线
graph -> degree -> degree distribution -> tail -> power law -> maximum degree -> hub -> giant component / small-world -> ER baseline
必须会说的专业表达
我不只看 average degree，因为平均值会掩盖节点之间的异质性。我会看 empirical degree distribution，尤其是 CCDF 和 tail behavior。如果 degree distribution 近似 power law，那么 maximum degree 会随网络规模快速增长，形成 hub。ER graph 是有用的 baseline，但在 sparse regime 下 degree 近似 Poisson，尾部较轻，因此不能充分解释真实复杂网络中的 extreme hubs。